本发明属于信息技术领域，具体涉及一种信息传输储存方法及装置。
背景技术：
深度神经网络(deepneuralnetworks)是深度学习中的算法模型。深度神经网络算法模型的工作原理一般分为两个过程，一部分是基于反向传播算法的训练过程，另一部分是前向传播的推理过程。在训练过程中，深度神经网络采用了大量的数据信息来对网络进行训练，经过大规模反复的训练后可以得到该网络的权值信息。在推理过程中，深度神经网络将基于这些训练得到的权值信息进行工作，实现分类，识别等功能。
由于深度神经网络的模型结构非常复杂，训练过程中需要大量的数据信息来进行，训练过程耗时很长，因此深度神经网络的训练过程一般预先在服务器端进行，终端只需要进行推理过程以实现功能即可。服务器端经过大量的训练后得到权值信息，然后将权值信息发送给终端。终端接收到权值信息后，就可以实现分类，识别等功能。
但是，在权值信息从服务器传输到终端的过程中，或者权值信息存储于终端的存储器的过程中，权值信息都面临着遭到泄露或被窃取的危险。一旦这些权值信息遭到泄露或被窃取，将会对训练得到这些权值信息的一方造成巨大的损失。
技术实现要素：
本发明的目的在于针对现有技术的缺陷，提供一种信息传输储存方法及装置，可以大幅提高神经网络权值信息传输和储存的安全性，有效保护神经网络权值信息不被泄露。
为解决上述技术问题，本发明的一种信息传输储存方法包括如下步骤:
服务器获取n个权值信息；所述n个权值信息由深度神经网络训练得到；所述n为整数且n≥1；
所述服务器按照预设的加密模式确定所述n个权值信息中的m个权值信息为第一权值信息；
所述服务器采用预设的密钥对所述第一权值信息进行对称加密，得到m个密文；所述预设的密钥由所述服务器和终端共同约定，并储存在所述服务器和所述终端中；所述服务器加密所述第一权值信息的方式为所述服务器对所述第一权值信息中的每一个权值信息进行单独加密；
所述服务器将所述m个密文和所述n个权值信息中的第二权值信息传输至终端，使得所述终端根据预设的储存解密模式进行存储和解密；所述第二权值信息为所述n个权值信息中除去所述m个权值信息之外的其它权值信息。
进一步的，所述预设的加密模式包括全加密模式和部分加密模式；
其中，所述全加密模式用于指示m＝n，所述部分加密模式用于指示1≤m＜n。
进一步的，所述储存解密模式包括储存优先模式；
当所述储存解密模式为所述储存优先模式时，所述终端将所述m个密文和所述第二权值信息进行储存；
所述终端在接收到使用权值信息的命令时，根据所述预设密钥将所述m个密文进行对称解密，得到所述第一权值信息，使得所述第一权值信息和所述第二权值信息组成完整的神经网络权值信息。进一步的，所述储存解密模式还包括全部解密模式；
当所述储存解密模式为所述全部解密模式时，所述终端根据所述预设的密钥，对所述m个密文进行对称解密得到所述第一权值信息，所述终端将所述第一权值信息以及所述第二权值信息进行储存。
进一步的，所述储存解密模式还包括部分解密模式；所述终端确定所述m个密文中的k个密文为所述第一密文，所述m个密文中除所述第一密文外的其余部分为第二密文；所述1≤k＜m；
所述终端根据所述预设密钥，对所述第一密文进行对称解密得到所述第一权值信息的部分信息，所述终端将所述第一权值信息的部分信息和所述第二密文以及所述第二权值信息进行储存；
所述终端接收到使用权值信息的命令时，所述终端根据所述预设密钥将所述第二密文进行对称解密得到所述第一权值信息的剩余权值信息，所述第一权值信息以及所述第二权值信息组成完整的神经网络权值信息。
进一步的，所述方法中所述服务器使用的加密方法和所述终端使用的解密方法均为aes加解密算法。
一种信息传输储存装置，包括服务器和终端；所述服务器包括：权值获取模块，用于获取n个权值信息；所述n个权值信息由深度神经网络训练得到；所述n为整数且n≥1；
加密模块，用于按照预设的加密模式确定所述n个权值信息中的m个权值信息为第一权值信息，并采用预设密钥对所述第一权值信息进行对称加密，得到m个密文；所述密钥由所述服务器和所述终端共同约定，并储存在所述服务器和所述终端中；所述服务器加密所述第一权值信息的方式为所述服务器对所述第一权值信息中的每一个权值信息进行单独加密；
通讯模块，用于将所述m个密文和所述n个权值信息中的第二权值信息传输至所述终端；所述第二权值信息为所述n个权值信息中除去所述第一权值信息之外的其它权值信息；
所述终端包括：通讯模块，用于接收所述服务器传输过来的所述m个密文和所述第二权值信息；解密模块，用于根据所述密钥及预设的储存解密模式，用对称加密算法对加密的神经网络权值信息进行对称解密；储存模块，用于根据所述储存解密模式对神经网络权值信息进行储存。
进一步的，所述预设的加密模式包括全加密模式和部分加密模式；
其中，所述全加密模式用于指示m＝n，所述部分加密模式用于指示1≤m＜n。
进一步的，当所述加密模式为所述部分加密模式时，所述m个权值信息为所述n个权值信息中的卷积层权值信息、全连接层权值信息、奇数层网络层权值信息和偶数层网络层权值信息一种或几种的组合。
进一步的，所述储存解密模式包括储存优先模式；所述储存解密模式包括储存优先模式；当所述储存解密模式为所述储存优先模式时，所述储存模块将接收到的所述m个密文和所述第二权值信息进行储存；所述解密模块所接收到使用权值信息的命令时，所述终端根据所述预设密钥将所述m个密文进行对称解密，得到所述第一权值信息，使得所述第一权值信息和所述第二权值信息组成完整的神经网络权值信息。
进一步的，所述储存解密模式还包括全部解密模式；当所述储存解密模式为所述全部解密模式时，所述解密模块根据所述预设的密钥，对所述m个密文进行对称解密得到所述第一权值信息，所述储存模块将所述第一权值信息以及所述第二权值信息进行储存。
进一步的，所述储存解密模式还包括部分解密模式；当所述储存解密模式为所述部分解密模式时，所述终端确定所述m个密文中的k个密文为所述第一密文，所述m个密文中除所述第一密文外的其余部分为第二密文；所述1≤k＜m；
所述解密模块根据所述预设密钥，对所述第一密文进行对称解密得到所述第一权值信息的部分信息，所述储存模块将所述第一权值信息的部分信息和所述第二密文以及所述第二权值信息进行储存；所述解密模块接收到使用权值信息的命令时，所述解密模块根据所述预设密钥将所述第二密文进行对称解密得到所述第一权值信息的剩余权值信息，所述第一权值信息以及所述第二权值信息组成完成的神经网络权值信息。
进一步的，所述方法中所述加密模块使用的加密方法和所述解密模块使用的解密方法均为aes加解密算法。
与现有技术相比，本发明的有益技术效果如下：
本发明提供了一种信息传输储存方法及装置，对由服务器端传输给终端的神经网络权值信息进行加密保护，因深度神经网络一般含有多层网络层，只有在每个网络层的权值共同参与和作用下深度神经网络才能进行工作，缺少任一部分的权值都会使网络失去功能，本发明中提出了对权值信息中的部分权值信息进行加密，使用者可以根据具体的深度神经网络结构来选择需要加密的权值信息部分，充分发挥了权值部分加密在安全性，速度和功耗上的优势，同时，终端可以选择不同的储存解密模式来降低权值在终端存储器中被泄露的危险。本发明提供的基于对称加密算法的权值信息传输储存方法及装置，可以显著提高神经网络权值信息在传输以及储存过程中的安全性，同时考虑了由权值信息量巨大带来的加解密功耗成本，优化了加解密模式，在保证安全性的同时提高了传输储存的效率。
附图说明
图1是本发明实施例1的一种信息传输储存方法的流程示意图。
图2是本发明实施例2的一种信息传输储存装置的结构示意图。
图3是本发明实施例1和实施例2的神经网络权值信息流向示意图。
图4是本发明实施例3的的一种信息传输储存方法的流程示意图。
图5为本发明实施例3和实施例4的神经网络权值信息流向示意图。
具体实施方式
为了充分地了解本发明的目的、特征和效果，以下将结合附图对本发明的几种优选的实施方式进行说明。
实施例1
如图1所示，本实施例1公开了一种信息传输储存方法。
该一种信息传输储存方法，包括如下步骤:
s1、服务器获取n个权值信息；该权值信息由深度神经网络训练得到；n为整数且n≥1；
s2、服务器按照预设的加密模式确定n个权值信息中的m个权值信息为第一权值信息；
具体的，在步骤s2中，预设的加密模式包括括全加密模式和部分加密模式，服务器可根据权值信息的数量以及加解密该权值信息带来的成本进行选择，可以在保证神经网络权值信息在传输中的安全性和传输的效率的情况下选择最适合的方案。其中，全加密模式用于指示m＝n，部分加密模式用于指示1≤m＜n。
当服务器获取的权值信息数量不大，加解密该权值信息所带来的成本不需考虑时，服务器可预设加密模式为全部加密模式，当加密模式为全加密模式时，m＝n；当服务器获取的权值信息数量巨大，加解密该权值信息所带来的成本太大需要考虑时，服务器可预设加密模式为部分解密模式，当加密模式为部分加密模式时，1≤m＜n。
具体的，服务器根据部分加密模式确定的第一权值信息可以是n个权值信息中的卷积层权值信息、全连接层权值信息、奇数层网络层权值信息和偶数层网络层权值信息一种或几种的组合。
s3、服务器采用预设的密钥对第一权值信息进行对称加密，得到m个密文；
具体的，步骤s3中的预设的密钥由服务器和终端共同约定，并储存在服务器和终端中；服务器加密第一权值信息的方式为服务器对第一权值信息中的每一个权值信息进行单独加密；
s4、服务器将m个密文和n个权值信息中的第二权值信息传输至终端，使得终端根据预设的储存解密模式进行存储和解密；所述第二权值信息为所述n个权值信息中除去所述m个权值信息之外的其它权值信息。
具体的，在步骤s5中终端预设的储存解密模式包括储存优先模式，全部解密模式和部分加密模式；终端可以根据权值信息的数量以及使用权值信息的效率，选择最适合的方案。
例如，在权值信息数量不大时，不需要考虑解密权值信息带来的成本，终端可预设储存解密模式为储存优先模式，当预设的储存解密模式为储存优先模式时，如图2所示，步骤s4中终端根据预设的储存解密模式进行储存和解密的具体步骤为：
s411、终端将m个密文和第二权值信息进行储存；
s412、终端在接收到使用权值信息的命令时，根据预设密钥将m个密文进行对称解密，得到第一权值信息，使得第一权值信息和第二权值信息组成完整的神经网络权值信息。
通过执行步骤s411和步骤s412，终端先将密文及第二权值信息进行储存，在需要进行工作时再完全解密出来，可以最大程度上保护权值信息储存在终端时的安全性，避免权值信息储存在终端时泄露带来的损失。
例如，在权值信息数量巨大时，需要考虑解密权值信息带来的成本，终端在调用权值信息时可能会因为解密该权值信息带来的成本而导致效率低下，终端可预设储存解密模式为全部解密模式，当预设的储存解密模式为全部解密模式时，如图3所示，步骤s4中终端根据预设的储存解密模式进行储存和解密的具体步骤为：
s421、终端根据预设的密钥，对m个密文进行对称解密得到第一权值信息
s422、终端将第一权值信息以及第二权值信息进行储存。
通过执行步骤s421、步骤s422，终端将接收到的密文直接进行完全的解密，然后再将其进行储存，等到需要使用时，终端便可直接调用该权值信息，避免了权值信息巨大带来的终端神经网络工作效率的降低。
例如，在权值信息较大，需要考虑从解密权值信息带来的成本，同时也需要考虑权值信息在终端中储存的安全性时，终端可预设储存解密模式为部分解密模式，当预设的储存解密模式为部分解密模式时，如图4所示，步骤s4中终端根据预设的储存解密模式进行储存和解密的具体步骤为：
s431、终端确定m个密文中的k个密文为所述第一密文，m个密文中除第一密文外的其余部分为第二密文；所述1≤k＜m；终端根据预设密钥，对第一密文进行对称解密得到第一权值信息的部分信息；
s432、终端将第一权值信息的部分信息和第二密文以及第二权值信息进行储存；
s433、终端接收到使用权值信息的命令时，终端根据预设密钥将第二密文进行对称解密得到第一权值信息的剩余权值信息，第一权值信息以及第二权值信息组成完整的神经网络权值信息。
通过执行步骤s431、步骤432和步骤433，终端将接收到的权值信息中的密文中的部分密文进行解密得到部分权值信息，然后对剩余未解密的密文和已得到的权值信息进行储存，需要使用时再进行全部解密，避免了加密的权值信息在需要调用时因密文数量太大，解密效率太低带来的成本，降低了权值信息在终端储存过程中被泄漏的风险，同时也保证了加密后权值信息在使用时解密的效率。
综上所述，本实施例中，服务器所可根据权值信息的数量以及加解密该权值信息带来的成本，可以在保证神经网络权值信息在传输中的安全性和传输的效率的情况下选择最适合的加密模式，而终端也可以根据解密权值信息带来的成本和权值信息在终端中储存的安全性来选择最适合的储存解密模式，通过本实施例中的一种信息传输储存方法，显著提高神经网络权值信息在传输以及储存过程中的安全性，同时降低由权值信息量巨大带来的加解密功耗成本，在保证安全性的同时提高了传输储存的效率。
实施例2
如图5所示，本实施例公开了一种信息传输储存装置，其包括服务器和终端；
所述服务器包括：
权值获取模块，用于获取n个权值信息；该权值信息由深度神经网络训练得到；n为整数且n≥1；
加密模块，用于按照预设的加密模式确定n个权值信息中的m个权值信息为第一权值信息，并采用预设密钥对第一权值信息进行对称加密，得到m个密文；
具体的，预设的密钥由服务器和终端共同约定，并储存在服务器和终端中；服务器加密第一权值信息的方式为服务器对第一权值信息中的每一个权值信息进行单独加密；
具体的，预设的加密模式包括括全加密模式和部分加密模式，加密模块可根据权值信息的数量以及加解密该权值信息带来的成本进行选择，可以在保证神经网络权值信息在传输中的安全性和传输的效率的情况下选择最适合的方案。其中，全加密模式用于指示m＝n，部分加密模式用于指示1≤m＜n。
例如，当权值获取模块获取的权值信息数量不大，加解密该权值信息所带来的成本不需考虑时，加密模块可预设加密模式为全部加密模式，当加密模式为全加密模式时，m＝n；
例如，当权值获取模块获取的权值信息数量巨大，加解密该权值信息所带来的成本太大需要考虑时，加密模块可预设加密模式为部分解密模式，当加密模式为部分加密模式时，1≤m＜n。
具体的，加密模块根据部分加密模式确定的第一权值信息可以是n个权值信息中的卷积层权值信息、全连接层权值信息、奇数层网络层权值信息和偶数层网络层权值信息一种或几种的组合。
通讯模块，于将m个密文和n个权值信息中的第二权值信息传输至所述终端；第二权值信息为n个权值信息中除去第一权值信息之外的其它权值信息；
所述终端包括：
通讯模块，用于接收服务器传输过来的m个密文和第二权值信息；
解密模块，用于根据预设的密钥及预设的储存解密模式，用对称加密算法对加密的神经网络权值信息进行对称解密；
储存模块，用于根据储存解密模式对神经网络权值信息进行储存。
具体的，终端中解密模块和储存模块预设的储存解密模式包括储存优先模式，全部解密模式和部分加密模式，可以根据权值信息的数量以及使用权值信息的效率，选择最适合的方案。
例如，在权值信息数量不大时，不需要考虑解密权值信息带来的成本，可预设储存解密模式为储存优先模式，当预设的储存解密模式为储存优先模式时，解密模块和储存模块工作的具体步骤为：
储存模块将m个密文和第二权值信息进行储存；
解密模块在接收到使用权值信息的命令时，根据预设密钥将m个密文进行对称解密，得到第一权值信息，使得第一权值信息和第二权值信息组成完整的神经网络权值信息。
通过执行以上步骤，储存模块先将密文及第二权值信息进行储存，解密模块在需要进行工作时再完全解密出来，可以最大程度上保护权值信息储存在终端时的安全性，避免权值信息储存在终端时泄露带来的损失。
例如，在权值信息数量巨大时，需要考虑解密权值信息带来的成本，终端在调用权值信息时可能会因为解密该权值信息带来的成本而导致效率低下，可预设储存解密模式为全部解密模式，当预设的储存解密模式为全部解密模式时，解密模块和储存模块工作的具体步骤为：
解密模块根据预设的密钥，对m个密文进行对称解密得到第一权值信息
储存模块将第一权值信息以及第二权值信息进行储存。
通过执行以上步骤，解密模块将接收到的密文直接进行完全的解密，储存模块再将其进行储存，等到需要使用时，便可直接调用该权值信息，避免了权值信息巨大带来的终端神经网络工作效率的降低。
例如，在权值信息较大，需要考虑从解密权值信息带来的成本，同时也需要考虑权值信息在终端中储存的安全性时，可预设储存解密模式为部分解密模式，当预设的储存解密模式为部分解密模式时，解密模块和储存模块工作的具体步骤为：
终端确定m个密文中的k个密文为所述第一密文，m个密文中除第一密文外的其余部分为第二密文；所述1≤k＜m；终端根据预设密钥，对第一密文进行对称解密得到第一权值信息的部分信息；
终端将第一权值信息的部分信息和第二密文以及第二权值信息进行储存；
终端接收到使用权值信息的命令时，终端根据预设密钥将第二密文进行对称解密得到第一权值信息的剩余权值信息，第一权值信息以及第二权值信息组成完整的神经网络权值信息。
通过执行以上步骤，解密模块将接收到的权值信息中的密文中的部分密文进行解密得到部分权值信息，然后储存模块对剩余未解密的密文和已得到的权值信息进行储存，需要使用时解密模块再进行全部解密，避免了加密的权值信息在需要调用时因密文数量太大，解密效率太低带来的成本，降低了权值信息在终端储存过程中被泄漏的风险，同时也保证了加密后权值信息在使用时解密的效率。
综上所述，本实施例中，服务器中的加密模块所可根据权值信息的数量以及加解密该权值信息带来的成本，可以在保证神经网络权值信息在传输中的安全性和传输的效率的情况下选择最适合的加密模式，而终端中的储存模块和解密模块也可以根据解密权值信息带来的成本和权值信息在终端中储存的安全性来选择最适合的储存解密模式，通过本实施例中的一种信息传输储存装置，显著提高神经网络权值信息在传输以及储存过程中的安全性，同时降低由权值信息量巨大带来的加解密功耗成本，在保证安全性的同时提高了传输储存的效率。
以上详细描述了本发明的较佳具体实施例，应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明构思在现有技术基础上通过逻辑分析、推理或者根据有限的实验可以得到的技术方案，均应该在由本权利要求书所确定的保护范围之中。