基于模型用途的切片数据加密处理方法及系统与流程

本发明涉及数据预测，尤其涉及一种基于模型用途的切片数据加密处理方法及系统。

背景技术：

1、随着3d打印技术的发展，越来越多的3d模型文件需要利用传输技术传输至不同的设备终端，而如何有效实现这些传输中3d模型文件的安全性成为了研究重点之一。

2、但现有技术在实现3d模型文件的安全传输时，一般仅采用普通的加密算法和加密密钥来处理，没有考虑到模型的用途或处理设备终端的设备特性来有效调整加密的相关操作参数。可见，现有技术存在缺陷，亟需解决。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种基于模型用途的切片数据加密处理方法及系统，能够有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高，让其加密效果更有针对性。

2、为了解决上述技术问题，本发明第一方面公开了一种基于模型用途的切片数据加密处理方法，所述方法包括：

3、获取目标模型对应的包括有多个切片文件的切片文件集合；

4、根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法；

5、根据所述加密参数和所述加密算法，对所述切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合；

6、由所述目标模型处理设备接收所述加密文件集合，根据所述加密参数对应的解密参数，以及所述加密算法对应的解密算法，对所述加密文件集合进行解密，以得到所述切片文件集合。

7、作为一种可选的实施方式，在本发明第一方面中，所述模型用途参数包括商业应用用途、研究应用用途、学习应用用途、未知用途和违规用途中的至少一种；和/或，所述设备参数包括设备型号、设备电量、设备处理器参数、设备储存空间参数、设备历史模型处理记录中的至少一种；和/或，所述加密参数包括加密次数、加密密钥长度、加密密钥数据类型和加密密钥复杂度中的至少一种。

8、作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法，包括：

9、获取目标模型处理设备对应的请求历史和设备参数；

10、根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数；

11、根据所述模型用途参数，基于预设的用途参数-危险数学关系模型，确定所述目标模型对应的第一危险性参数；

12、根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数；

13、根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法。

14、作为一种可选的实施方式，在本发明第一方面中，所述根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数，包括：

15、计算预设的设备数据库中所有违规设备的设备参数与所述设备参数之间的第一参数相似度；

16、计算预设的请求数据库中所有违规请求的请求参数与所述请求历史中的请求参数之间的第二参数相似度；

17、计算所述第一参数相似度和所述第二参数相似度之间的加权求和值，得到参数相似度，并判断所述参数相似度是否大于预设的相似度阈值，若是，则确定所述目标模型对应的模型用途参数为违规用途；

18、若否，则将所述请求历史与所述设备参数输入至训练好的用途预测神经网络中，以得到输出的模型用途参数；所述用途预测神经网络通过包括有多个训练请求历史和训练设备参数和对应的用途标注的训练数据集训练得到；所述用途标注为商业应用用途标注、研究应用用途标注或学习应用用途标注。

19、作为一种可选的实施方式，在本发明第一方面中，所述根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数，包括：

20、将所述模型用途参数和所述设备参数，输入至训练好的危险预测神经网络中，以得到输出的所述目标模型对应的第二危险性参数；所述危险预测神经网络通过包括有多个训练模型用途参数和训练设备参数和对应的危险标注的训练数据集训练得到。

21、作为一种可选的实施方式，在本发明第一方面中，所述根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法，包括：

22、计算所述第一危险性参数和所述第二危险性参数的加权求和平均值，得到危险性参数；其中，所述第一危险性参数和所述第二危险性参数的权重之和为1；所述第二危险性参数的权重与所述危险预测神经网络的对于验证数据集的预测准确率成正比；在所述第一危险性参数大于第一参数阈值时，所述第一危险性参数的权重大于所述第二危险性参数的权重；在所述第一危险性参数小于第一参数阈值时，所述第一危险性参数的权重小于所述第二危险性参数的权重；

23、根据预设的危险性参数-加密程度对应关系，以及所述危险性参数，确定所述切片文件集合对应的加密程度参数；

24、根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法。

25、作为一种可选的实施方式，在本发明第一方面中，所述根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法，包括：

26、对于多个候选加密参数，计算每一所述候选加密参数对应的第一预测加密程度和所述加密程度参数的第一程度相似度；所述第一预测加密程度通过将所述候选加密参数对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；

27、根据所述第一程度相似度从高到低对所有所述候选加密参数进行排序得到参数序列，将所述参数序列的前预设数量个候选加密参数确定为所述切片文件集合对应的加密参数；

28、对于多个候选加密算法，计算每一所述候选加密算法对应的第二预测加密程度和所述加密程度参数的第二程度相似度；所述第二预测加密程度通过将所述候选加密算法对应的历史加密数据处理记录输入至所述加密程度预测神经网络并接受输出的预测结果来得到；所述加密程度预测神经网络通过包括有多个训练加密数据处理记录和对应的加密程度标注的训练数据集训练得到；

29、将所述第二程度相似度最高的所述候选加密算法，确定为所述切片文件集合对应的加密算法。

30、本发明第二方面公开了一种基于模型用途的切片数据加密处理系统，所述系统包括：

31、获取模块，用于获取目标模型对应的包括有多个切片文件的切片文件集合；

32、确定模块，用于根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法；

33、加密模块，用于根据所述加密参数和所述加密算法，对所述切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合；

34、解密模块，设置在所述目标模型处理设备内，用于接收所述加密文件集合，根据所述加密参数对应的解密参数，以及所述加密算法对应的解密算法，对所述加密文件集合进行解密，以得到所述切片文件集合。

35、作为一种可选的实施方式，在本发明第二方面中，所述模型用途参数包括商业应用用途、研究应用用途、学习应用用途、未知用途和违规用途中的至少一种；和/或，所述设备参数包括设备型号、设备电量、设备处理器参数、设备储存空间参数、设备历史模型处理记录中的至少一种；和/或，所述加密参数包括加密次数、加密密钥长度、加密密钥数据类型和加密密钥复杂度中的至少一种。

36、作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法的具体方式，包括：

37、获取目标模型处理设备对应的请求历史和设备参数；

38、根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数；

39、根据所述模型用途参数，基于预设的用途参数-危险数学关系模型，确定所述目标模型对应的第一危险性参数；

40、根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数；

41、根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法。

42、作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数的具体方式，包括：

43、计算预设的设备数据库中所有违规设备的设备参数与所述设备参数之间的第一参数相似度；

44、计算预设的请求数据库中所有违规请求的请求参数与所述请求历史中的请求参数之间的第二参数相似度；

45、计算所述第一参数相似度和所述第二参数相似度之间的加权求和值，得到参数相似度，并判断所述参数相似度是否大于预设的相似度阈值，若是，则确定所述目标模型对应的模型用途参数为违规用途；

46、若否，则将所述请求历史与所述设备参数输入至训练好的用途预测神经网络中，以得到输出的模型用途参数；所述用途预测神经网络通过包括有多个训练请求历史和训练设备参数和对应的用途标注的训练数据集训练得到；所述用途标注为商业应用用途标注、研究应用用途标注或学习应用用途标注。

47、作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数的具体方式，包括：

48、将所述模型用途参数和所述设备参数，输入至训练好的危险预测神经网络中，以得到输出的所述目标模型对应的第二危险性参数；所述危险预测神经网络通过包括有多个训练模型用途参数和训练设备参数和对应的危险标注的训练数据集训练得到。

49、作为一种可选的实施方式，在本发明第二方面中，所述根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法的具体方式，包括：

50、计算所述第一危险性参数和所述第二危险性参数的加权求和平均值，得到危险性参数；其中，所述第一危险性参数和所述第二危险性参数的权重之和为1；所述第二危险性参数的权重与所述危险预测神经网络的对于验证数据集的预测准确率成正比；在所述第一危险性参数大于第一参数阈值时，所述第一危险性参数的权重大于所述第二危险性参数的权重；在所述第一危险性参数小于第一参数阈值时，所述第一危险性参数的权重小于所述第二危险性参数的权重；

51、根据预设的危险性参数-加密程度对应关系，以及所述危险性参数，确定所述切片文件集合对应的加密程度参数；

52、根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法。

53、作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法的具体方式，包括：

54、对于多个候选加密参数，计算每一所述候选加密参数对应的第一预测加密程度和所述加密程度参数的第一程度相似度；所述第一预测加密程度通过将所述候选加密参数对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；

55、根据所述第一程度相似度从高到低对所有所述候选加密参数进行排序得到参数序列，将所述参数序列的前预设数量个候选加密参数确定为所述切片文件集合对应的加密参数；

56、对于多个候选加密算法，计算每一所述候选加密算法对应的第二预测加密程度和所述加密程度参数的第二程度相似度；所述第二预测加密程度通过将所述候选加密算法对应的历史加密数据处理记录输入至所述加密程度预测神经网络并接受输出的预测结果来得到；所述加密程度预测神经网络通过包括有多个训练加密数据处理记录和对应的加密程度标注的训练数据集训练得到；

57、将所述第二程度相似度最高的所述候选加密算法，确定为所述切片文件集合对应的加密算法。

58、本发明第三方面公开了另一种基于模型用途的切片数据加密处理系统，所述系统包括：

59、存储有可执行程序代码的存储器；

60、与所述存储器耦合的处理器；

61、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于模型用途的切片数据加密处理方法中的部分或全部步骤。

62、本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于模型用途的切片数据加密处理方法中的部分或全部步骤。

63、与现有技术相比，本发明具有以下有益效果：

64、本发明能够结合模型的用途和处理设备的参数来确定切片文件的加密参数和加密算法，以对切片文件进行加密，从而能够有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高，让其加密效果更有针对性。