CN115065458B - 一种数据加密传输的电子商务交易*** - Google Patents

一种数据加密传输的电子商务交易*** Download PDF

Info

Publication number
CN115065458B
CN115065458B CN202210944450.0A CN202210944450A CN115065458B CN 115065458 B CN115065458 B CN 115065458B CN 202210944450 A CN202210944450 A CN 202210944450A CN 115065458 B CN115065458 B CN 115065458B
Authority
CN
China
Prior art keywords
transaction
module
data
encryption
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210944450.0A
Other languages
English (en)
Other versions
CN115065458A (zh
Inventor
付舒丛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Dingxin Digital Technology Co ltd
Original Assignee
Shandong Dingxin Digital Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Dingxin Digital Technology Co ltd filed Critical Shandong Dingxin Digital Technology Co ltd
Priority to CN202211235695.2A priority Critical patent/CN115619555B/zh
Priority to CN202211235708.6A priority patent/CN115622774B/zh
Priority to CN202210944450.0A priority patent/CN115065458B/zh
Publication of CN115065458A publication Critical patent/CN115065458A/zh
Application granted granted Critical
Publication of CN115065458B publication Critical patent/CN115065458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Neurology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Bioethics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种数据加密传输的电子商务交易***，包括智能化参数设置模块、区块链模块、加密模块、电子商务交易测评模块和交易模块，其中，智能化参数设置模块用来设置用户的量化需求，区块链模块用来安全存储、更新、记录数据以及交易活动，加密模块采用了基于神经网络混沌序列的对称块加密算法和基于神经网络混沌吸引子的非对称加密算法对数据进行二次加密，电子商务交易测评模块选用支持向量机，为用户选择合适的电子商务交易类型，在交易模块完成交易。本发明的有益效果：能够有效地防止客户个人信息和交易信息泄露，为客户电子商务交易带来保障。

Description

一种数据加密传输的电子商务交易***
技术领域
本发明创造涉及电子商务领域，具体涉及一种数据加密传输的电子商务交易***。
背景技术
随着互联网技术的发展，网络空间已成为现代社会人们生存和发展的基础，然而，由于互联网的不安全性，存在着各种各样的信息安全问题，网络攻击包括伪装、欺骗、窃听、非法访问、篡改、否认、伪造、拒绝服务、传播病毒等。区块链是一种新的数据结构，具有分散性，不需要信任，它由网络中的所有节点拥有、管理和监督，不接受单方控制，电子商务作为如今商业银行的新型金融模式，主要是以电子商务中的核心企业作为切入点，通过电子商务中多个企业的联系来提供相关金融产品以及电子商务服务，电子商务可以对商业银行的业务结构进行一定的改善，使商业银行具有更强的竞争优势。通常，数据的真实性取决于***中心或第三方实体的信任，如主节点、中央数据库、***负责人、数据库管理员等，一旦***中心不再受信任，就会破坏数据的真实性，很难找到，因此有必要对电子商务平台的数据进行加密，加密的数字电子商务平台数据中没有节点、服务器和数据库的集中，***的运行和维护不依赖于管理人员，网络节点将特定时间内交易信息的数字指纹严格封装成块，并快速广播到整个网络，结合散列技术用于在区块之间形成紧密链接的链，以构成高度安全的公共帐户，即区块链，因此区块链技术对数据加密有很好的效果，但对于采用区块链技术的电子商务平台数据加密，加密过程复杂，加密后的数据容易失真甚至丢失，这影响了电子商务平台数据加密的安全性与可靠性。
发明内容
针对上述问题，本发明旨在提供一种数据加密传输的电子商务交易***。
本发明创造的目的通过以下技术方案实现：
一种数据加密传输的电子商务交易***，其特征在于，包括智能化参数设置模块、区块链模块、加密模块、电子商务交易测评模块和交易模块，其中，智能化参数设置模块用来量化用户的需求，包括交易ID、交易种类、时间戳、保密级别、交易对象、交易地址和交易金额，以字典的方式建立，包括键和键值，将量化后的用户需求存储至区块链模块，区块链模块用来安全存储、更新、记录数据以及交易活动，并且整理区块链中记录的电子商务交易行为，按照交易种类对数据进行分组，删除完全重复的数据，标注并且及时补充缺省的数据，检测每一组交易种类中每一种数据的键值结果是否落入一定的区间，所述区间包括正常值区间、异常值区间和不可信区间，其中，正常值区间表示该用户存储的键值是正确的，异常值区间表示该用户存储的键值是不正确的，此时会高亮异常值，不可信区间表示该用户存储的键值是存在问题的，需要对用户本次键值的存储重新检查数据输入的结果是否正确，如果用户输入的键值的结果不正确，则对该区块链中存储的交易行为进行修改，如果用户输入的键值的结果是正确的，那么需要重新对用户的交易行为进行检测；加密模块采用了基于神经网络混沌序列的对称块加密算法和基于神经网络混沌吸引子的非对称加密算法对数据进行二次加密，电子商务交易测评模块选用支持向量机为用户选择合适的电子商务交易类型，用户在交易模块完成交易。
进一步的，智能化参数设置模块用来量化用户的需求，包括交易ID、交易种类、时间戳、保密级别、交易对象、交易地址和交易金额，以字典的方式建立，包括键和键值，记为
Figure 914100DEST_PATH_IMAGE001
，其中，时间戳根据标准时间输入后，通过哈希函数进行统一编号，其选取范围是数字与26个小写字母的组合，保密级别包括公开、普通保密以及特殊保密三个级别。
进一步的，通过区块链模块，整理区块链内的交易行为，按照交易种类对数据进行区分，删除完全重复的数据，缺省的数据需要标注并且及时补充，每一组交易种类中每一种数据的键值结果都要落入一定的区间，区间包括正常值区间、异常值区间和不可信区间，其中，正常值区间表示该用户存储的键值是正确的，异常值区间表示该用户存储的键值是不正确的，此时会高亮异常值，不可信区间表示该用户存储的键值是存在问题的，需要对用户本次键值的存储重新检查数据输入的结果是否正确，如果用户输入的键值的结果不正确，则对该区块链中存储的交易行为进行修改，如果用户输入的键值的结果是正确的，那么需要重新对用户的交易行为进行检测。
进一步的，所述加密模块，采用了基于神经网络混沌序列的对称块加密算法对数据进行加密，假设
Figure 351904DEST_PATH_IMAGE002
表示加密操作，M表示需要加密的数据，
Figure 130504DEST_PATH_IMAGE003
表示解密，C表示加密后需要解密的数据，满足：
Figure 670070DEST_PATH_IMAGE004
，
Figure 441585DEST_PATH_IMAGE005
，并且有：
Figure 750207DEST_PATH_IMAGE006
，其中，基于神经网络混沌序列的对称块加密算法需满足要加密的明文是56位，检查位为8位，总位为64位，具体步骤如下：
(1)首先对明文进行初始变换，将信息块为两部分，然后通过函数对乘积进行变换，需要执行16次；
(2)乘积变换后，将两部分信息合并以执行逆初始变换操作，左移位的消息变为48位；
(3)用最终结果替换32位新数据；
(4)根据上述步骤(1)-(3)执行更换操作，经过16个执行周期后，完成加密过程。
进一步的，所述加密模块，假设给定密钥
Figure 699708DEST_PATH_IMAGE007
，如果
Figure 195412DEST_PATH_IMAGE007
生成的子密钥是
Figure 770618DEST_PATH_IMAGE008
，
Figure 933747DEST_PATH_IMAGE009
，
Figure 54149DEST_PATH_IMAGE010
，则
Figure 568307DEST_PATH_IMAGE007
称为弱密钥，满足：
Figure 436554DEST_PATH_IMAGE011
Figure 719768DEST_PATH_IMAGE012
Figure 11072DEST_PATH_IMAGE013
其中，
Figure 996214DEST_PATH_IMAGE014
表示基于神经网络混沌序列的对称块加密算法，
Figure 663956DEST_PATH_IMAGE015
表示基于神经网络混沌序列的对称块的解密算法，如果
Figure 536097DEST_PATH_IMAGE016
，就有
Figure 263882DEST_PATH_IMAGE017
，其中，M`，C`和k`是取非操作，加密数据时使用的是公钥，而解密数据时使用的是私钥，传统的对称加密***每次使用相同的密钥进行加密和解密，公钥加密***使用两个不相关的密钥来确保网络的安全、数据的安全和密钥本身的安全，表达式如下所示：
Figure 736320DEST_PATH_IMAGE018
Figure 676594DEST_PATH_IMAGE019
Figure 934400DEST_PATH_IMAGE020
基于神经网络混沌序列的对称块加密算法对电子商务平台的数据进行加密，混沌神经网络由混沌神经元、外部输入和内部反馈输入组成，单个混沌神经元具有来自内部神经元的反馈和外部输入项，以及来自神经元本身的不稳定项和阈值，由
Figure 567507DEST_PATH_IMAGE021
个混沌神经元组成的混沌神经网络的
Figure 261663DEST_PATH_IMAGE022
个神经元的方程如下所示：
Figure 271207DEST_PATH_IMAGE023
其中，
Figure 383519DEST_PATH_IMAGE024
是第
Figure 187527DEST_PATH_IMAGE022
个混沌神经元在离散时间
Figure 637488DEST_PATH_IMAGE025
的输出，
Figure 919564DEST_PATH_IMAGE026
是第
Figure 886383DEST_PATH_IMAGE022
个混沌神经元的连续输出函数，
Figure 110560DEST_PATH_IMAGE021
是混沌神经元的数量，
Figure 795620DEST_PATH_IMAGE027
是第
Figure 881387DEST_PATH_IMAGE028
个混沌神经元和第
Figure 702713DEST_PATH_IMAGE022
个混沌神经元的连接权重，
Figure 363370DEST_PATH_IMAGE029
是第
Figure 270146DEST_PATH_IMAGE028
个混沌神经元的轴突变换传递函数，
Figure 159605DEST_PATH_IMAGE030
是外部输入的数量，
Figure 101016DEST_PATH_IMAGE031
是第
Figure 666995DEST_PATH_IMAGE028
个输入和第
Figure 61068DEST_PATH_IMAGE022
个混沌神经元的连接权重，
Figure 754217DEST_PATH_IMAGE032
是离散时间(
Figure 530894DEST_PATH_IMAGE033
处第
Figure 284086DEST_PATH_IMAGE028
个输入的强度、
Figure 165454DEST_PATH_IMAGE034
是第
Figure 396715DEST_PATH_IMAGE022
个混沌神经元的耐火度函数，
Figure 296407DEST_PATH_IMAGE007
是耐火度衰减系数，
Figure 220501DEST_PATH_IMAGE035
是自反馈系数，且
Figure 323586DEST_PATH_IMAGE036
，
Figure 358538DEST_PATH_IMAGE037
是第
Figure 112736DEST_PATH_IMAGE022
个混沌神经元的完全或非激发阈值，如果
Figure 207731DEST_PATH_IMAGE038
表示第
Figure 63692DEST_PATH_IMAGE039
个混沌神经元在离散时间
Figure 636756DEST_PATH_IMAGE040
的内部状态，混沌神经网络的迭代表示如下：
Figure 511040DEST_PATH_IMAGE041
Figure 511357DEST_PATH_IMAGE042
对于所有神经元，函数
Figure 589034DEST_PATH_IMAGE043
和
Figure 483565DEST_PATH_IMAGE044
定义为
Figure 963088DEST_PATH_IMAGE045
，其中
Figure 399886DEST_PATH_IMAGE046
为符号函数，即：
Figure 964859DEST_PATH_IMAGE047
，将每个神经元在任何时间的外部输入强度设置为初始外部输入强度值，即：
Figure 128993DEST_PATH_IMAGE048
，取值为0或1，假设每个神经元的所有激发阈值为
Figure 630732DEST_PATH_IMAGE049
，有：
Figure 238431DEST_PATH_IMAGE050
，其中，
Figure 290700DEST_PATH_IMAGE051
和
Figure 743679DEST_PATH_IMAGE052
分别是第
Figure 447061DEST_PATH_IMAGE022
个混沌神经元在离散时间
Figure 225661DEST_PATH_IMAGE053
和
Figure 765227DEST_PATH_IMAGE054
的内部状态，假设
Figure 287475DEST_PATH_IMAGE055
可取值1、0和−1，当它们处于兴奋状态时，
Figure 845365DEST_PATH_IMAGE056
，当它们处于抑制状态时，则
Figure 529287DEST_PATH_IMAGE057
，当它们不直接连接时，
Figure 290569DEST_PATH_IMAGE058
，基于神经网络的统计特性，使兴奋连接和抑制连接的数量相等，并增加了神经网络输出序列的不可预测性，由于混沌神经网络是在具有时滞的Hopfield神经网络模型的基础上引入的，因此，根据Hopfield构造连接矩阵的要求，当
Figure 865776DEST_PATH_IMAGE059
时，假设
Figure 28904DEST_PATH_IMAGE058
，以获得连接权重矩阵的值。
进一步的，对于参数
Figure 149307DEST_PATH_IMAGE007
、
Figure 663465DEST_PATH_IMAGE035
和
Figure 514134DEST_PATH_IMAGE022
的选择，要求为整数，其次
Figure 531768DEST_PATH_IMAGE052
要以0为中心非周期波动，设计的混沌神经网络更新如下：
Figure 88652DEST_PATH_IMAGE060
其中
Figure 824526DEST_PATH_IMAGE061
为纠偏系数，定义一个具有
Figure 475956DEST_PATH_IMAGE062
个互连神经元的离散Hopfield神经网络，每个神经元的状态为
Figure 613677DEST_PATH_IMAGE063
，
Figure 341461DEST_PATH_IMAGE064
为0或1，下一个状态
Figure 299053DEST_PATH_IMAGE065
取决于神经元的当前状态，即
Figure 754174DEST_PATH_IMAGE066
，其中，
Figure 746401DEST_PATH_IMAGE067
是神经元
Figure 379507DEST_PATH_IMAGE022
和
Figure 339242DEST_PATH_IMAGE028
的连接权重，这是一个对称矩阵，
Figure 348786DEST_PATH_IMAGE068
是神经元
Figure 195520DEST_PATH_IMAGE022
的阈值，
Figure 265107DEST_PATH_IMAGE064
是
Figure 443629DEST_PATH_IMAGE069
时间第
Figure 991285DEST_PATH_IMAGE039
个神经元的状态，
Figure 958104DEST_PATH_IMAGE070
是
Figure 933013DEST_PATH_IMAGE071
时间第
Figure 867340DEST_PATH_IMAGE039
个神经元的状态，
Figure 218687DEST_PATH_IMAGE072
是
Figure 40012DEST_PATH_IMAGE069
时间第
Figure 185823DEST_PATH_IMAGE073
个神经元的状态，神经网络在
Figure 341866DEST_PATH_IMAGE053
时间的能量如下表出：
Figure 496904DEST_PATH_IMAGE074
随着***状态的演化，能量函数单调下降，由于神经网络的能量有限，它最终将达到稳定状态，定义为吸引子，吸引子是一个混沌吸引子，即吸引子与吸引子和初始状态之间的规则无关，每个吸引子的吸引域中的状态消息之间存在不可预测的关系，如果连接权重矩阵
Figure 907157DEST_PATH_IMAGE075
改变，吸引子及其相应的吸引域将相应地改变，引入随机变换矩阵
Figure 738716DEST_PATH_IMAGE076
后，将原始初始状态
Figure 132788DEST_PATH_IMAGE077
和吸引子
Figure 825937DEST_PATH_IMAGE078
分别转化为新的初始状态
Figure 621855DEST_PATH_IMAGE079
和吸引子
Figure 361665DEST_PATH_IMAGE080
，有：
Figure 977454DEST_PATH_IMAGE081
Figure 474295DEST_PATH_IMAGE082
神经元之间的突触连接矩阵由+1、0和−1组成，+l、0和−1表明两个神经元分别处于兴奋状态、无直接连接和抑制状态，根据统计概率，如果存在更多不可预测的吸引子，则网络中兴奋性突触连接的数量与抑制性突触连接的数量相等，假设网络中存储的样本数为8，收敛域元素为20，则连接突触矩阵由下式得出：
Figure 124719DEST_PATH_IMAGE083
为了保证加密效果，有必要对基于神经网络混沌序列的对称分组加密算法进行安全性分析，假设它被转换为二进制序列C，由下式得出：
Figure 298080DEST_PATH_IMAGE084
其中，
Figure 666745DEST_PATH_IMAGE085
,
Figure 436118DEST_PATH_IMAGE086
，二元自相关函数R如下所示：
Figure 190316DEST_PATH_IMAGE087
序列
Figure 285311DEST_PATH_IMAGE088
和
Figure 875692DEST_PATH_IMAGE089
的互相关函数由下式得出：
Figure 714335DEST_PATH_IMAGE090
在此基础上，分析了基于神经网络混沌序列的对称包加密算法和基于神经网络混沌吸引子的非对称包加密算法的设计，在电子商务交易传输中具有安全性。
进一步的，电子商务交易测评模块采用粒子群算法优化支持向量机的核函数参数和惩罚因子。
进一步的，设置所述粒子群算法采用下列步骤在搜索空间中进行
Figure 588619DEST_PATH_IMAGE091
时刻的更新：
步骤（1）：对粒子群中的各粒子进行相似更新检测：令
Figure 854515DEST_PATH_IMAGE092
表示粒子群中的第
Figure 666614DEST_PATH_IMAGE093
个粒子，
Figure 43368DEST_PATH_IMAGE094
表示粒子群中的第
Figure 605167DEST_PATH_IMAGE095
个粒子，当粒子
Figure 41964DEST_PATH_IMAGE092
和粒子
Figure 606938DEST_PATH_IMAGE094
在
Figure 787383DEST_PATH_IMAGE096
时刻满足：
Figure 370680DEST_PATH_IMAGE097
且
Figure 978379DEST_PATH_IMAGE098
时，则判定粒子
Figure 765070DEST_PATH_IMAGE092
和粒子
Figure 998474DEST_PATH_IMAGE094
在
Figure 452589DEST_PATH_IMAGE096
时刻为相似更新粒子，其中，
Figure 231189DEST_PATH_IMAGE099
表示
Figure 239596DEST_PATH_IMAGE096
时刻粒子
Figure 11112DEST_PATH_IMAGE092
在搜索空间的位置，
Figure 319734DEST_PATH_IMAGE100
表示
Figure 269235DEST_PATH_IMAGE096
时刻粒子
Figure 296097DEST_PATH_IMAGE094
在搜索空间的位置，
Figure 608654DEST_PATH_IMAGE101
表示
Figure 37361DEST_PATH_IMAGE096
时刻粒子
Figure 157764DEST_PATH_IMAGE092
在搜索空间的个体最优位置，
Figure 406343DEST_PATH_IMAGE102
表示
Figure 254082DEST_PATH_IMAGE096
时刻粒子
Figure 537296DEST_PATH_IMAGE094
在搜索空间的个体最优位置，
Figure 828600DEST_PATH_IMAGE103
为粒子群在
Figure 813742DEST_PATH_IMAGE096
时刻的相似检测阈值，且
Figure 215905DEST_PATH_IMAGE104
，其中，
Figure 353625DEST_PATH_IMAGE105
表示
Figure 815830DEST_PATH_IMAGE096
时刻粒子
Figure 288269DEST_PATH_IMAGE092
在搜索空间的邻域相似值，且
Figure 759701DEST_PATH_IMAGE106
，其中，
Figure 751928DEST_PATH_IMAGE107
表示
Figure 385035DEST_PATH_IMAGE096
时刻粒子群中距离位置
Figure 341840DEST_PATH_IMAGE099
第
Figure 351384DEST_PATH_IMAGE108
近的粒子的位置，
Figure 198117DEST_PATH_IMAGE109
为给定的正整数，且
Figure 251393DEST_PATH_IMAGE110
，
Figure 183577DEST_PATH_IMAGE111
为粒子群中的粒子总数；
将粒子群中判定为相似更新粒子的粒子进行归类，具体为：设
Figure 996812DEST_PATH_IMAGE112
表示
Figure 698052DEST_PATH_IMAGE096
时刻将粒子群中的粒子和其相似更新粒子进行归类所得的第
Figure 187808DEST_PATH_IMAGE113
个类，类
Figure 607288DEST_PATH_IMAGE112
中的粒子采用下列方式在粒子群中选取：在当前粒子群的未归类粒子中随机选取一个粒子加入类
Figure 693056DEST_PATH_IMAGE112
中，当该随机选取的粒子在粒子群中不存在相似更新粒子时，则停止在种群中选取粒子加入类
Figure 514381DEST_PATH_IMAGE112
中，当该随机选取的粒子在粒子群中存在相似更新粒子时，则将该随机选取的粒子的相似更新粒子加入类
Figure 175038DEST_PATH_IMAGE112
中，并继续将粒子群中和当前类
Figure 81815DEST_PATH_IMAGE112
中任一粒子为相似更新粒子的粒子加入类
Figure 236852DEST_PATH_IMAGE112
中，直到类
Figure 912684DEST_PATH_IMAGE112
中粒子在当前种群中不存在相似更新粒子时，则停止在种群中选取粒子加入类
Figure 481593DEST_PATH_IMAGE112
中；
设
Figure 875666DEST_PATH_IMAGE114
表示
Figure 568815DEST_PATH_IMAGE096
时刻将粒子群中的粒子和其相似更新粒子进行归类所得的类集合，且
Figure 614000DEST_PATH_IMAGE115
，其中，
Figure 101614DEST_PATH_IMAGE116
表示集合
Figure 982982DEST_PATH_IMAGE114
中类的数量；
步骤（2）：采用下列方式分别对集合
Figure 479822DEST_PATH_IMAGE117
中各类中的粒子进行
Figure 379514DEST_PATH_IMAGE118
时刻的更新：设
Figure 38029DEST_PATH_IMAGE119
表示类
Figure 141114DEST_PATH_IMAGE112
中的粒子数，
Figure 176066DEST_PATH_IMAGE120
为给定的正整数，用于确定集合
Figure 195843DEST_PATH_IMAGE114
的类中粒子的更新方式，且
Figure 290838DEST_PATH_IMAGE121
，当类
Figure 881220DEST_PATH_IMAGE112
中粒子满足：
Figure 719863DEST_PATH_IMAGE122
时，则采用下列方式对类
Figure 325638DEST_PATH_IMAGE112
中粒子进行
Figure 591534DEST_PATH_IMAGE091
时刻的更新：
Figure 669211DEST_PATH_IMAGE123
Figure 295234DEST_PATH_IMAGE124
在上述更新公式中，令
Figure 774757DEST_PATH_IMAGE125
表示类
Figure 211554DEST_PATH_IMAGE112
中的第
Figure 776528DEST_PATH_IMAGE126
个粒子，
Figure 206241DEST_PATH_IMAGE127
和
Figure 540270DEST_PATH_IMAGE128
分别表示
Figure 147969DEST_PATH_IMAGE118
时刻粒子
Figure 934660DEST_PATH_IMAGE125
在搜索空间的位置和步长，
Figure 168064DEST_PATH_IMAGE129
和
Figure 356600DEST_PATH_IMAGE130
分别表示
Figure 135200DEST_PATH_IMAGE096
时刻粒子
Figure 674765DEST_PATH_IMAGE125
在搜索空间的位置和步长，
Figure 449211DEST_PATH_IMAGE131
表示粒子群在
Figure 757832DEST_PATH_IMAGE096
时刻的惯性权重因子，且
Figure 707334DEST_PATH_IMAGE132
，
Figure 734196DEST_PATH_IMAGE133
和
Figure 778244DEST_PATH_IMAGE134
分别为给定的最大惯性权重因子和最小惯性权重因子，且
Figure 941372DEST_PATH_IMAGE135
，
Figure 327354DEST_PATH_IMAGE136
，
Figure 825200DEST_PATH_IMAGE137
表示最大迭代次数，
Figure 689251DEST_PATH_IMAGE138
和
Figure 972465DEST_PATH_IMAGE139
分别为在区间
Figure 998190DEST_PATH_IMAGE140
内产生的随机数，
Figure 983332DEST_PATH_IMAGE141
表示
Figure 651074DEST_PATH_IMAGE096
时刻粒子
Figure 788794DEST_PATH_IMAGE125
在搜索空间的个体最优位置，
Figure 251000DEST_PATH_IMAGE142
表示
Figure 720508DEST_PATH_IMAGE096
时刻粒子群在搜索空间的全局最优位置，
Figure 660783DEST_PATH_IMAGE143
表示粒子群的局部学习因子，
Figure 653009DEST_PATH_IMAGE144
表示粒子群的全局学习因子，
Figure 800963DEST_PATH_IMAGE143
和
Figure 511430DEST_PATH_IMAGE144
的值可以取：
Figure 255395DEST_PATH_IMAGE145
，
Figure 367707DEST_PATH_IMAGE146
；
当类
Figure 420983DEST_PATH_IMAGE112
中粒子满足：
Figure 353167DEST_PATH_IMAGE147
时，则采用下列方式对类
Figure 900823DEST_PATH_IMAGE112
中粒子进行
Figure 867642DEST_PATH_IMAGE091
时刻的更新：
Figure 357398DEST_PATH_IMAGE148
Figure 776878DEST_PATH_IMAGE124
在上述更新公式中，
Figure 128225DEST_PATH_IMAGE149
表示
Figure 949550DEST_PATH_IMAGE096
时刻粒子
Figure 347558DEST_PATH_IMAGE125
在搜索空间的惯性权重因子，将
Figure 254334DEST_PATH_IMAGE149
的值设置为：
Figure 143793DEST_PATH_IMAGE150
其中，
Figure 334472DEST_PATH_IMAGE151
表示类
Figure 916763DEST_PATH_IMAGE152
中粒子的历史相似系数，且
Figure 310835DEST_PATH_IMAGE153
，其中，
Figure 3984DEST_PATH_IMAGE154
表示类
Figure 783590DEST_PATH_IMAGE152
中的第
Figure 536783DEST_PATH_IMAGE155
个粒子，
Figure 152572DEST_PATH_IMAGE156
表示
Figure 649412DEST_PATH_IMAGE157
时刻粒子
Figure 549104DEST_PATH_IMAGE154
在搜索空间的位置，
Figure 207619DEST_PATH_IMAGE158
表示
Figure 576283DEST_PATH_IMAGE159
时刻粒子
Figure 611235DEST_PATH_IMAGE160
在搜索空间的位置，
Figure 651520DEST_PATH_IMAGE161
表示在区间
Figure 215357DEST_PATH_IMAGE162
内产生的随机数。
本发明的有益效果：加密模块采用了基于神经网络混沌序列的对称块加密算法和基于神经网络混沌吸引子的非对称加密算法对数据进行二次加密，电子商务数据加密解密后，数据中的噪声较小，保证了数据加密解密的准确性，减轻了加密后数据的丢失和失真影响，确保了加密和解密后数据的准确性；电子商务交易测评模块采用优化粒子群算法对支持向量机的参数进行寻优，首先对粒子群中粒子进行相似更新检测，将拥有相似更新方式的粒子进行归类，在对粒子进行更新时，当粒子所处类中相似更新方式粒子数较少时，设置该类中粒子继续按照标准粒子群算法的更新方式进行更新，从而保持标准粒子群算法在寻优时的优势，而当粒子所处类中相似更新方式粒子数较多时，为了保证粒子群更新后的多样性，通过检测该类中粒子先前位置的相似性来判断该类中粒子先前更新步长的相似性，当该类中粒子先前位置具有较大的差异性时，则表明该类中粒子先前更新时的步长存在较大差异，此时，通过在更新过程中加强该类中粒子的惯性权重因子使得该类中粒子加强对新区域的探索，从而增加该类中粒子更新后位置的多样性，相反的，当该类中粒子先前位置具有较大的相似性时，则表明该类中粒子先前更新时的步长存在较大相似性，此时，通过设置该类中粒子当前惯性权重因子取值的随机性来增加该类中粒子在更新后的多样性，从而加强粒子群算法的寻优精度和收敛速度，使得基于改进后的粒子群算法优化的支持向量机在电子商务交易测评过程中具有较高的准确度。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种数据加密传输的电子商务交易***，其特征在于，包括智能化参数设置模块、区块链模块、加密模块、电子商务交易测评模块和交易模块，其中，智能化参数设置模块用来量化用户的需求，包括交易ID、交易种类、时间戳、保密级别、交易对象、交易地址和交易金额，以字典的方式建立，包括键和键值，将量化后的用户需求存储至区块链模块，区块链模块用来安全存储、更新、记录数据以及交易活动，并且整理区块链中记录的电子商务交易行为，按照交易种类对数据进行分组，删除完全重复的数据，标注并且及时补充缺省的数据，检测每一组交易种类中每一种数据的键值结果是否落入一定的区间，所述区间包括正常值区间、异常值区间和不可信区间，其中，正常值区间表示该用户存储的键值是正确的，异常值区间表示该用户存储的键值是不正确的，此时会高亮异常值，不可信区间表示该用户存储的键值是存在问题的，需要对用户本次键值的存储重新检查数据输入的结果是否正确，如果用户输入的键值的结果不正确，则对该区块链中存储的交易行为进行修改，如果用户输入的键值的结果是正确的，那么需要重新对用户的交易行为进行检测；加密模块采用了基于神经网络混沌序列的对称块加密算法和基于神经网络混沌吸引子的非对称加密算法对数据进行二次加密，电子商务交易测评模块选用支持向量机为用户选择合适的电子商务交易类型，用户在交易模块完成交易。
具体的，智能化参数设置模块用来量化用户的需求，包括交易ID、交易种类、时间戳、保密级别、交易对象、交易地址和交易金额，以字典的方式建立，包括键和键值，记为
Figure 71317DEST_PATH_IMAGE001
，其中，时间戳根据标准时间输入后，通过哈希函数进行统一编号，其选取范围是数字与26个小写字母的组合，保密级别包括公开、普通保密以及特殊保密三个级别。
具体的，通过区块链模块，整理区块链内的交易行为，按照交易种类对数据进行区分，删除完全重复的数据，缺省的数据需要标注并且及时补充，每一组交易种类中每一种数据的键值结果都要落入一定的区间，区间包括正常值区间、异常值区间和不可信区间，其中，正常值区间表示该用户存储的键值是正确的，异常值区间表示该用户存储的键值是不正确的，此时会高亮异常值，不可信区间表示该用户存储的键值是存在问题的，需要对用户本次键值的存储重新检查数据输入的结果是否正确，如果用户输入的键值的结果不正确，则对该区块链中存储的交易行为进行修改，如果用户输入的键值的结果是正确的，那么需要重新对用户的交易行为进行检测。
具体的，所述加密模块，采用了基于神经网络混沌序列的对称块加密算法对数据进行加密，假设
Figure 159228DEST_PATH_IMAGE002
表示加密操作，M表示需要加密的数据，
Figure 518665DEST_PATH_IMAGE003
表示解密，C表示加密后需要解密的数据，满足：
Figure 518982DEST_PATH_IMAGE004
，
Figure 596660DEST_PATH_IMAGE005
，并且有：
Figure 488261DEST_PATH_IMAGE006
，其中，基于神经网络混沌序列的对称块加密算法需满足要加密的明文是56位，检查位为8位，总位为64位，具体步骤如下：
(1)首先对明文进行初始变换，将信息块为两部分，然后通过函数对乘积进行变换，需要执行16次；
(2)乘积变换后，将两部分信息合并以执行逆初始变换操作，左移位的消息变为48位；
(3)用最终结果替换32位新数据；
(4)根据上述步骤(1)-(3)执行更换操作，经过16个执行周期后，完成加密过程。
优选的，所述加密模块，假设给定密钥
Figure 967784DEST_PATH_IMAGE007
，如果
Figure 404582DEST_PATH_IMAGE007
生成的子密钥是
Figure 953244DEST_PATH_IMAGE008
，
Figure 133689DEST_PATH_IMAGE009
，
Figure 467719DEST_PATH_IMAGE010
，则
Figure 75417DEST_PATH_IMAGE007
称为弱密钥，满足：
Figure 379884DEST_PATH_IMAGE011
Figure 98442DEST_PATH_IMAGE012
Figure 552557DEST_PATH_IMAGE013
其中，
Figure 331157DEST_PATH_IMAGE014
表示基于神经网络混沌序列的对称块加密算法，
Figure 854411DEST_PATH_IMAGE015
表示基于神经网络混沌序列的对称块的解密算法，如果
Figure 376659DEST_PATH_IMAGE016
，就有
Figure 685281DEST_PATH_IMAGE017
，其中，M`，C`和k`是取非操作，加密数据时使用的是公钥，而解密数据时使用的是私钥，传统的对称加密***每次使用相同的密钥进行加密和解密，公钥加密***使用两个不相关的密钥来确保网络的安全、数据的安全和密钥本身的安全，表达式如下所示：
Figure 634782DEST_PATH_IMAGE018
Figure 645332DEST_PATH_IMAGE019
Figure 971272DEST_PATH_IMAGE020
基于神经网络混沌序列的对称块加密算法对电子商务平台的数据进行加密，混沌神经网络由混沌神经元、外部输入和内部反馈输入组成，单个混沌神经元具有来自内部神经元的反馈和外部输入项，以及来自神经元本身的不稳定项和阈值，由
Figure 868820DEST_PATH_IMAGE021
个混沌神经元组成的混沌神经网络的
Figure 238491DEST_PATH_IMAGE022
个神经元的方程如下所示：
Figure 752649DEST_PATH_IMAGE023
其中，
Figure 616699DEST_PATH_IMAGE024
是第
Figure 634334DEST_PATH_IMAGE022
个混沌神经元在离散时间
Figure 437555DEST_PATH_IMAGE025
的输出，
Figure 173430DEST_PATH_IMAGE026
是第
Figure 841172DEST_PATH_IMAGE022
个混沌神经元的连续输出函数，
Figure 713313DEST_PATH_IMAGE021
是混沌神经元的数量，
Figure 424786DEST_PATH_IMAGE027
是第
Figure 647957DEST_PATH_IMAGE028
个混沌神经元和第
Figure 853810DEST_PATH_IMAGE022
个混沌神经元的连接权重，
Figure 846037DEST_PATH_IMAGE029
是第
Figure 993990DEST_PATH_IMAGE028
个混沌神经元的轴突变换传递函数，
Figure 438878DEST_PATH_IMAGE030
是外部输入的数量，
Figure 448422DEST_PATH_IMAGE031
是第
Figure 544423DEST_PATH_IMAGE028
个输入和第
Figure 348431DEST_PATH_IMAGE022
个混沌神经元的连接权重，
Figure 546194DEST_PATH_IMAGE032
是离散时间(
Figure 93850DEST_PATH_IMAGE033
处第
Figure 312867DEST_PATH_IMAGE028
个输入的强度、
Figure 287776DEST_PATH_IMAGE034
是第
Figure 972835DEST_PATH_IMAGE022
个混沌神经元的耐火度函数，
Figure 324182DEST_PATH_IMAGE007
是耐火度衰减系数，
Figure 394775DEST_PATH_IMAGE035
是自反馈系数，且
Figure 806165DEST_PATH_IMAGE036
，
Figure 447362DEST_PATH_IMAGE037
是第
Figure 336820DEST_PATH_IMAGE022
个混沌神经元的完全或非激发阈值，如果
Figure 527499DEST_PATH_IMAGE038
表示第
Figure 844211DEST_PATH_IMAGE039
个混沌神经元在离散时间
Figure 238283DEST_PATH_IMAGE040
的内部状态，混沌神经网络的迭代表示如下：
Figure 931433DEST_PATH_IMAGE041
Figure 976618DEST_PATH_IMAGE042
对于所有神经元，函数
Figure 729810DEST_PATH_IMAGE043
和
Figure 611179DEST_PATH_IMAGE044
定义为
Figure 823199DEST_PATH_IMAGE045
，其中
Figure 473623DEST_PATH_IMAGE046
为符号函数，即：
Figure 397716DEST_PATH_IMAGE047
，将每个神经元在任何时间的外部输入强度设置为初始外部输入强度值，即：
Figure 766381DEST_PATH_IMAGE048
，取值为0或1，假设每个神经元的所有激发阈值为
Figure 50601DEST_PATH_IMAGE049
，有：
Figure 555531DEST_PATH_IMAGE050
，其中，
Figure 384947DEST_PATH_IMAGE051
和
Figure 240907DEST_PATH_IMAGE052
分别是第
Figure 63239DEST_PATH_IMAGE022
个混沌神经元在离散时间
Figure 688255DEST_PATH_IMAGE053
和
Figure 954152DEST_PATH_IMAGE054
的内部状态，假设
Figure 31829DEST_PATH_IMAGE055
可取值1、0和−1，当它们处于兴奋状态时，
Figure 923430DEST_PATH_IMAGE056
，当它们处于抑制状态时，则
Figure 402953DEST_PATH_IMAGE057
，当它们不直接连接时，
Figure 839751DEST_PATH_IMAGE058
，基于神经网络的统计特性，使兴奋连接和抑制连接的数量相等，并增加了神经网络输出序列的不可预测性，由于混沌神经网络是在具有时滞的Hopfield神经网络模型的基础上引入的，因此，根据Hopfield构造连接矩阵的要求，当
Figure 391342DEST_PATH_IMAGE059
时，假设
Figure 306209DEST_PATH_IMAGE058
，以获得连接权重矩阵的值，本实施例取对于M=8的情况，连接矩阵由下式给出：
Figure 905817DEST_PATH_IMAGE163
具体的，对于参数
Figure 513516DEST_PATH_IMAGE007
、
Figure 815054DEST_PATH_IMAGE035
和
Figure 533611DEST_PATH_IMAGE022
的选择，要求为整数，其次
Figure 722147DEST_PATH_IMAGE052
要以0为中心非周期波动，设计的混沌神经网络更新如下：
Figure 500747DEST_PATH_IMAGE060
其中
Figure 289580DEST_PATH_IMAGE061
为纠偏系数，定义一个具有
Figure 811828DEST_PATH_IMAGE062
个互连神经元的离散Hopfield神经网络，每个神经元的状态为
Figure 120450DEST_PATH_IMAGE063
，
Figure 69951DEST_PATH_IMAGE064
为0或1，下一个状态
Figure 80502DEST_PATH_IMAGE065
取决于神经元的当前状态，即
Figure 406441DEST_PATH_IMAGE066
，其中，
Figure 303990DEST_PATH_IMAGE067
是神经元
Figure 670730DEST_PATH_IMAGE022
和
Figure 184888DEST_PATH_IMAGE028
的连接权重，这是一个对称矩阵，
Figure 48939DEST_PATH_IMAGE068
是神经元
Figure 66574DEST_PATH_IMAGE022
的阈值，
Figure 872724DEST_PATH_IMAGE064
是
Figure 343020DEST_PATH_IMAGE069
时间第
Figure 745183DEST_PATH_IMAGE039
个神经元的状态，
Figure 882903DEST_PATH_IMAGE070
是
Figure 859955DEST_PATH_IMAGE071
时间第
Figure 817547DEST_PATH_IMAGE039
个神经元的状态，
Figure 23400DEST_PATH_IMAGE072
是
Figure 264894DEST_PATH_IMAGE069
时间第
Figure 898001DEST_PATH_IMAGE073
个神经元的状态，神经网络在
Figure 608468DEST_PATH_IMAGE053
时间的能量如下表出：
Figure 618012DEST_PATH_IMAGE074
随着***状态的演化，能量函数单调下降，由于神经网络的能量有限，它最终将达到稳定状态，定义为吸引子，吸引子是一个混沌吸引子，即吸引子与吸引子和初始状态之间的规则无关，每个吸引子的吸引域中的状态消息之间存在不可预测的关系，如果连接权重矩阵
Figure 716943DEST_PATH_IMAGE075
改变，吸引子及其相应的吸引域将相应地改变，引入随机变换矩阵
Figure 786530DEST_PATH_IMAGE076
后，将原始初始状态
Figure 718714DEST_PATH_IMAGE077
和吸引子
Figure 531949DEST_PATH_IMAGE078
分别转化为新的初始状态
Figure 748036DEST_PATH_IMAGE079
和吸引子
Figure 722945DEST_PATH_IMAGE080
，有：
Figure 142425DEST_PATH_IMAGE081
Figure 493772DEST_PATH_IMAGE082
神经元之间的突触连接矩阵由+1、0和−1组成，+l、0和−1表明两个神经元分别处于兴奋状态、无直接连接和抑制状态，根据统计概率，如果存在更多不可预测的吸引子，则网络中兴奋性突触连接的数量与抑制性突触连接的数量相等，假设网络中存储的样本数为8，收敛域元素为20，则连接突触矩阵由下式得出：
Figure 564365DEST_PATH_IMAGE083
为了保证加密效果，有必要对基于神经网络混沌序列的对称分组加密算法进行安全性分析，假设它被转换为二进制序列C，由下式得出：
Figure 710176DEST_PATH_IMAGE084
其中，
Figure 616952DEST_PATH_IMAGE085
,
Figure 771990DEST_PATH_IMAGE086
，二元自相关函数R如下所示：
Figure 697089DEST_PATH_IMAGE087
序列
Figure 279380DEST_PATH_IMAGE088
和
Figure 673452DEST_PATH_IMAGE089
的互相关函数由下式得出：
Figure 366602DEST_PATH_IMAGE090
在此基础上，分析了基于神经网络混沌序列的对称包加密算法和基于神经网络混沌吸引子的非对称包加密算法的设计，在电子商务交易传输中具有安全性。
进一步的，电子商务交易测评模块采用粒子群算法优化支持向量机的核函数参数和惩罚因子。
进一步的，设置所述粒子群算法采用下列步骤在搜索空间中进行
Figure 166716DEST_PATH_IMAGE091
时刻的更新：
步骤（1）：对粒子群中的各粒子进行相似更新检测：令
Figure 919908DEST_PATH_IMAGE092
表示粒子群中的第
Figure 535697DEST_PATH_IMAGE093
个粒子，
Figure 281805DEST_PATH_IMAGE094
表示粒子群中的第
Figure 932229DEST_PATH_IMAGE095
个粒子，当粒子
Figure 856323DEST_PATH_IMAGE092
和粒子
Figure 224988DEST_PATH_IMAGE094
在
Figure 243628DEST_PATH_IMAGE096
时刻满足：
Figure 748559DEST_PATH_IMAGE097
且
Figure 843554DEST_PATH_IMAGE098
时，则判定粒子
Figure 433935DEST_PATH_IMAGE092
和粒子
Figure 521846DEST_PATH_IMAGE094
在
Figure 146862DEST_PATH_IMAGE096
时刻为相似更新粒子，其中，
Figure 412758DEST_PATH_IMAGE099
表示
Figure 490436DEST_PATH_IMAGE096
时刻粒子
Figure 853808DEST_PATH_IMAGE092
在搜索空间的位置，
Figure 333331DEST_PATH_IMAGE100
表示
Figure 770129DEST_PATH_IMAGE096
时刻粒子
Figure 584370DEST_PATH_IMAGE094
在搜索空间的位置，
Figure 764816DEST_PATH_IMAGE101
表示
Figure 364424DEST_PATH_IMAGE096
时刻粒子
Figure 972123DEST_PATH_IMAGE092
在搜索空间的个体最优位置，
Figure 457681DEST_PATH_IMAGE102
表示
Figure 441818DEST_PATH_IMAGE096
时刻粒子
Figure 895933DEST_PATH_IMAGE094
在搜索空间的个体最优位置，
Figure 658221DEST_PATH_IMAGE103
为粒子群在
Figure 932208DEST_PATH_IMAGE096
时刻的相似检测阈值，且
Figure 454456DEST_PATH_IMAGE104
，其中，
Figure 12345DEST_PATH_IMAGE105
表示
Figure 961847DEST_PATH_IMAGE096
时刻粒子
Figure 988709DEST_PATH_IMAGE092
在搜索空间的邻域相似值，且
Figure 49068DEST_PATH_IMAGE106
，其中，
Figure 461464DEST_PATH_IMAGE107
表示
Figure 581867DEST_PATH_IMAGE096
时刻粒子群中距离位置
Figure 830446DEST_PATH_IMAGE099
第
Figure 694496DEST_PATH_IMAGE108
近的粒子的位置，
Figure 229907DEST_PATH_IMAGE109
为给定的正整数，且
Figure 521212DEST_PATH_IMAGE110
，
Figure 257086DEST_PATH_IMAGE111
为粒子群中的粒子总数；
将粒子群中判定为相似更新粒子的粒子进行归类，具体为：设
Figure 924828DEST_PATH_IMAGE112
表示
Figure 46237DEST_PATH_IMAGE096
时刻将粒子群中的粒子和其相似更新粒子进行归类所得的第
Figure 508442DEST_PATH_IMAGE113
个类，类
Figure 731613DEST_PATH_IMAGE112
中的粒子采用下列方式在粒子群中选取：在当前粒子群的未归类粒子中随机选取一个粒子加入类
Figure 452313DEST_PATH_IMAGE112
中，当该随机选取的粒子在粒子群中不存在相似更新粒子时，则停止在种群中选取粒子加入类
Figure 444540DEST_PATH_IMAGE112
中，当该随机选取的粒子在粒子群中存在相似更新粒子时，则将该随机选取的粒子的相似更新粒子加入类
Figure 77647DEST_PATH_IMAGE112
中，并继续将粒子群中和当前类
Figure 522534DEST_PATH_IMAGE112
中任一粒子为相似更新粒子的粒子加入类
Figure 781346DEST_PATH_IMAGE112
中，直到类
Figure 628080DEST_PATH_IMAGE112
中粒子在当前种群中不存在相似更新粒子时，则停止在种群中选取粒子加入类
Figure 697667DEST_PATH_IMAGE112
中；
设
Figure 629851DEST_PATH_IMAGE114
表示
Figure 689424DEST_PATH_IMAGE096
时刻将粒子群中的粒子和其相似更新粒子进行归类所得的类集合，且
Figure 390664DEST_PATH_IMAGE115
，其中，
Figure 365573DEST_PATH_IMAGE116
表示集合
Figure 34320DEST_PATH_IMAGE114
中类的数量；
步骤（2）：采用下列方式分别对集合
Figure 385667DEST_PATH_IMAGE117
中各类中的粒子进行
Figure 206993DEST_PATH_IMAGE118
时刻的更新：设
Figure 618383DEST_PATH_IMAGE119
表示类
Figure 774426DEST_PATH_IMAGE112
中的粒子数，
Figure 929464DEST_PATH_IMAGE120
为给定的正整数，用于确定集合
Figure 605296DEST_PATH_IMAGE114
的类中粒子的更新方式，且
Figure 922008DEST_PATH_IMAGE121
，当类
Figure 565348DEST_PATH_IMAGE112
中粒子满足：
Figure 258497DEST_PATH_IMAGE122
时，则采用下列方式对类
Figure 54415DEST_PATH_IMAGE112
中粒子进行
Figure 542028DEST_PATH_IMAGE091
时刻的更新：
Figure 675594DEST_PATH_IMAGE123
Figure 172434DEST_PATH_IMAGE124
在上述更新公式中，令
Figure 822858DEST_PATH_IMAGE125
表示类
Figure 746952DEST_PATH_IMAGE112
中的第
Figure 833726DEST_PATH_IMAGE126
个粒子，
Figure 868678DEST_PATH_IMAGE127
和
Figure 639188DEST_PATH_IMAGE128
分别表示
Figure 983450DEST_PATH_IMAGE118
时刻粒子
Figure 573831DEST_PATH_IMAGE125
在搜索空间的位置和步长，
Figure 412474DEST_PATH_IMAGE129
和
Figure 37491DEST_PATH_IMAGE130
分别表示
Figure 552655DEST_PATH_IMAGE096
时刻粒子
Figure 630332DEST_PATH_IMAGE125
在搜索空间的位置和步长，
Figure 7087DEST_PATH_IMAGE131
表示粒子群在
Figure 486610DEST_PATH_IMAGE096
时刻的惯性权重因子，且
Figure 904166DEST_PATH_IMAGE132
，
Figure 469139DEST_PATH_IMAGE133
和
Figure 649585DEST_PATH_IMAGE134
分别为给定的最大惯性权重因子和最小惯性权重因子，且
Figure 983614DEST_PATH_IMAGE135
，
Figure 840581DEST_PATH_IMAGE136
，
Figure 892850DEST_PATH_IMAGE137
表示最大迭代次数，
Figure 876987DEST_PATH_IMAGE138
和
Figure 65523DEST_PATH_IMAGE139
分别为在区间
Figure 93391DEST_PATH_IMAGE140
内产生的随机数，
Figure 632956DEST_PATH_IMAGE141
表示
Figure 889625DEST_PATH_IMAGE096
时刻粒子
Figure 447514DEST_PATH_IMAGE125
在搜索空间的个体最优位置，
Figure 131437DEST_PATH_IMAGE142
表示
Figure 158299DEST_PATH_IMAGE096
时刻粒子群在搜索空间的全局最优位置，
Figure 205276DEST_PATH_IMAGE143
表示粒子群的局部学习因子，
Figure 368405DEST_PATH_IMAGE144
表示粒子群的全局学习因子，
Figure 754387DEST_PATH_IMAGE143
和
Figure 2965DEST_PATH_IMAGE144
的值可以取：
Figure 116284DEST_PATH_IMAGE145
，
Figure 399497DEST_PATH_IMAGE146
；
当类
Figure 690802DEST_PATH_IMAGE112
中粒子满足：
Figure 426676DEST_PATH_IMAGE147
时，则采用下列方式对类
Figure 78106DEST_PATH_IMAGE112
中粒子进行
Figure 481406DEST_PATH_IMAGE091
时刻的更新：
Figure 678032DEST_PATH_IMAGE148
Figure 901203DEST_PATH_IMAGE124
在上述更新公式中，
Figure 356324DEST_PATH_IMAGE149
表示
Figure 348551DEST_PATH_IMAGE096
时刻粒子
Figure 247237DEST_PATH_IMAGE125
在搜索空间的惯性权重因子，将
Figure 957704DEST_PATH_IMAGE149
的值设置为：
Figure 971444DEST_PATH_IMAGE150
其中，
Figure 83757DEST_PATH_IMAGE151
表示类
Figure 622185DEST_PATH_IMAGE152
中粒子的历史相似系数，且
Figure DEST_PATH_IMAGE164
，其中，
Figure 538058DEST_PATH_IMAGE154
表示类
Figure 85714DEST_PATH_IMAGE152
中的第
Figure 52533DEST_PATH_IMAGE155
个粒子，
Figure 542289DEST_PATH_IMAGE156
表示
Figure 961769DEST_PATH_IMAGE157
时刻粒子
Figure 313116DEST_PATH_IMAGE154
在搜索空间的位置，
Figure 134441DEST_PATH_IMAGE158
表示
Figure 795098DEST_PATH_IMAGE159
时刻粒子
Figure 701875DEST_PATH_IMAGE160
在搜索空间的位置，
Figure 325754DEST_PATH_IMAGE161
表示在区间
Figure 267165DEST_PATH_IMAGE162
内产生的随机数。
本发明的有益效果：加密模块采用了基于神经网络混沌序列的对称块加密算法和基于神经网络混沌吸引子的非对称加密算法对数据进行二次加密，电子商务数据加密解密后，数据中的噪声较小，保证了数据加密解密的准确性，减轻了加密后数据的丢失和失真影响，确保了加密和解密后数据的准确性；电子商务交易测评模块采用优化粒子群算法对支持向量机的参数进行寻优，首先对粒子群中粒子进行相似更新检测，将拥有相似更新方式的粒子进行归类，在对粒子进行更新时，当粒子所处类中相似更新方式粒子数较少时，设置该类中粒子继续按照标准粒子群算法的更新方式进行更新，从而保持标准粒子群算法在寻优时的优势，而当粒子所处类中相似更新方式粒子数较多时，为了保证粒子群更新后的多样性，通过检测该类中粒子先前位置的相似性来判断该类中粒子先前更新步长的相似性，当该类中粒子先前位置具有较大的差异性时，则表明该类中粒子先前更新时的步长存在较大差异，此时，通过在更新过程中加强该类中粒子的惯性权重因子使得该类中粒子加强对新区域的探索，从而增加该类中粒子更新后位置的多样性，相反的，当该类中粒子先前位置具有较大的相似性时，则表明该类中粒子先前更新时的步长存在较大相似性，此时，通过设置该类中粒子当前惯性权重因子取值的随机性来增加该类中粒子在更新后的多样性，从而加强粒子群算法的寻优精度和收敛速度，使得基于改进后的粒子群算法优化的支持向量机在电子商务交易测评过程中具有较高的准确度。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (4)

1.一种数据加密传输的电子商务交易***，其特征在于，包括智能化参数设置模块、区块链模块、加密模块、电子商务交易测评模块和交易模块，其中，智能化参数设置模块用来量化用户的需求，包括交易ID、交易种类、时间戳、保密级别、交易对象、交易地址和交易金额，以字典的方式建立，包括键和键值，将量化后的用户需求存储至区块链模块，区块链模块用来安全存储、更新、记录数据以及交易活动，并且整理区块链中记录的电子商务交易行为，按照交易种类对数据进行分组，删除完全重复的数据，标注并且及时补充缺省的数据，检测每一组交易种类中每一种数据的键值结果是否落入一定的区间，所述区间包括正常值区间、异常值区间和不可信区间，其中，正常值区间表示该用户存储的键值是正确的，异常值区间表示该用户存储的键值是不正确的，此时会高亮异常值，不可信区间表示该用户存储的键值是存在问题的，需要对用户本次键值的存储重新检查数据输入的结果是否正确，如果用户输入的键值的结果不正确，则对该区块链中存储的交易行为进行修改，如果用户输入的键值的结果是正确的，那么需要重新对用户的交易行为进行检测；加密模块采用了基于神经网络混沌序列的对称块加密算法和基于神经网络混沌吸引子的非对称加密算法对数据进行二次加密，电子商务交易测评模块选用支持向量机为用户选择合适的电子商务交易类型，用户在交易模块完成交易。
2.根据权利要求1所述的一种数据加密传输的电子商务交易***，其特征在于，智能化参数设置模块用来量化用户的需求，包括交易ID、交易种类、时间戳、保密级别、交易对象、交易地址和交易金额，以字典的方式建立，包括键和键值，记为
Figure 239924DEST_PATH_IMAGE001
，其中，时间戳根据标准时间输入后，通过哈希函数进行统一编号，其选取范围是数字与26个小写字母的组合，保密级别包括公开、普通保密以及特殊保密三个级别。
3.根据权利要求1所述的一种数据加密传输的电子商务交易***，其特征在于，所述加密模块，采用了基于神经网络混沌序列的对称块加密算法对数据进行加密，假设
Figure 438824DEST_PATH_IMAGE002
表示加密操作，M表示需要加密的数据，
Figure 45386DEST_PATH_IMAGE003
表示解密，C表示加密后需要解密的数据，满足：
Figure 38750DEST_PATH_IMAGE004
，
Figure 730762DEST_PATH_IMAGE005
，并且有：
Figure 467774DEST_PATH_IMAGE006
，其中，基于神经网络混沌序列的对称块加密算法需满足要加密的明文是56位，检查位为8位，总位为64位，具体步骤如下：
(1)首先对明文进行初始变换，将信息块为两部分，然后通过函数对乘积进行变换，需要执行16次；
(2)乘积变换后，将两部分信息合并以执行逆初始变换操作，左移位的消息变为48位；
(3)用最终结果替换32位新数据；
(4)根据上述步骤(1)-(3)执行更换操作，经过16个执行周期后，完成加密过程。
4.根据权利要求1所述的一种数据加密传输的电子商务交易***，其特征在于，电子商务交易测评模块采用粒子群算法优化支持向量机的核函数参数和惩罚因子。
CN202210944450.0A 2022-08-08 2022-08-08 一种数据加密传输的电子商务交易*** Active CN115065458B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202211235695.2A CN115619555B (zh) 2022-08-08 2022-08-08 一种数据加密传输的电子商务交易***
CN202211235708.6A CN115622774B (zh) 2022-08-08 2022-08-08 基于改进的粒子群算法优化的支持向量机的数据加密传输的电子商务交易***
CN202210944450.0A CN115065458B (zh) 2022-08-08 2022-08-08 一种数据加密传输的电子商务交易***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210944450.0A CN115065458B (zh) 2022-08-08 2022-08-08 一种数据加密传输的电子商务交易***

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202211235695.2A Division CN115619555B (zh) 2022-08-08 2022-08-08 一种数据加密传输的电子商务交易***
CN202211235708.6A Division CN115622774B (zh) 2022-08-08 2022-08-08 基于改进的粒子群算法优化的支持向量机的数据加密传输的电子商务交易***

Publications (2)

Publication Number Publication Date
CN115065458A CN115065458A (zh) 2022-09-16
CN115065458B true CN115065458B (zh) 2022-11-15

Family

ID=83208514

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202211235708.6A Active CN115622774B (zh) 2022-08-08 2022-08-08 基于改进的粒子群算法优化的支持向量机的数据加密传输的电子商务交易***
CN202211235695.2A Active CN115619555B (zh) 2022-08-08 2022-08-08 一种数据加密传输的电子商务交易***
CN202210944450.0A Active CN115065458B (zh) 2022-08-08 2022-08-08 一种数据加密传输的电子商务交易***

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202211235708.6A Active CN115622774B (zh) 2022-08-08 2022-08-08 基于改进的粒子群算法优化的支持向量机的数据加密传输的电子商务交易***
CN202211235695.2A Active CN115619555B (zh) 2022-08-08 2022-08-08 一种数据加密传输的电子商务交易***

Country Status (1)

Country Link
CN (3) CN115622774B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308655B (zh) * 2023-03-17 2023-09-15 北京未来链技术有限公司 基于区块链的智慧社区商品大数据智能拼单和结算***
CN116405283B (zh) * 2023-04-06 2023-11-24 广州大有网络科技有限公司 基于信息数据保护的数据加密认证***
CN116308813B (zh) * 2023-05-17 2023-08-08 青岛农村商业银行股份有限公司 一种异业联合金融权益安全管理***
CN117035836A (zh) * 2023-10-08 2023-11-10 深圳市焕想科技有限公司 一种基于人工智能的电子商务交易数据处理方法及***
CN117978362B (zh) * 2024-04-02 2024-06-07 深圳市海域达赫科技有限公司 数据加密方法、***、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165224A (zh) * 2018-08-24 2019-01-08 东北大学 一种在区块链数据库上针对关键字key的索引方法
CN110611701A (zh) * 2018-08-21 2019-12-24 汇链丰(北京)科技有限公司 一种基于区块链的参数配置和交易处理方法
CN112927072A (zh) * 2021-01-20 2021-06-08 北京航空航天大学 一种基于区块链的反洗钱仲裁方法、***及相关装置
CN113723954A (zh) * 2021-06-15 2021-11-30 复旦大学 一种对区块链中异常交易节点进行检测和监管的方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001144746A (ja) * 1999-11-11 2001-05-25 Japan Science & Technology Corp カオス・ニューラルネットワークを用いた暗号化システム及び復号システム
JP2003023421A (ja) * 2001-07-09 2003-01-24 C4 Technology Inc 暗号方法、そのプログラム、そのプログラムを記録した記録媒体および暗号装置並びに復号方法および復号装置
CN101977112B (zh) * 2010-11-04 2013-10-09 厦门大学 一种基于神经网络混沌吸引子的公钥密码加密和解密方法
CN106485348A (zh) * 2016-09-22 2017-03-08 ***股份有限公司 一种交易数据的预测方法及装置
CN107231214B (zh) * 2017-06-12 2020-07-28 哈尔滨工程大学 基于演化混沌量子神经网络的最优多用户检测方法
US10542046B2 (en) * 2018-06-07 2020-01-21 Unifyvault LLC Systems and methods for blockchain security data intelligence
US11809896B2 (en) * 2019-05-24 2023-11-07 International Business Machines Corporation Anomalous transaction commitment prevention for database
CN110852604A (zh) * 2019-11-08 2020-02-28 湖南商学院 基于移动Agent的动态信任计算方法
US11615272B2 (en) * 2020-06-17 2023-03-28 Capital One Services, Llc Anomaly analysis using a blockchain, and applications thereof
CN112632842A (zh) * 2020-12-23 2021-04-09 国网北京市电力公司 基于交易和谐度的电网与建筑用能交易匹配方法及***
CN112765271B (zh) * 2020-12-31 2023-02-07 杭州趣链科技有限公司 区块链交易索引的存储方法、装置、计算机设备及介质
CN113554511B (zh) * 2021-06-23 2023-06-27 河海大学 一种基于区块链与粒子群优化的有源配电网电力交易方法
CN114331436A (zh) * 2021-12-30 2022-04-12 江苏九一网络科技有限公司 一种基于区块链的电商安全交易***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110611701A (zh) * 2018-08-21 2019-12-24 汇链丰(北京)科技有限公司 一种基于区块链的参数配置和交易处理方法
CN109165224A (zh) * 2018-08-24 2019-01-08 东北大学 一种在区块链数据库上针对关键字key的索引方法
CN112927072A (zh) * 2021-01-20 2021-06-08 北京航空航天大学 一种基于区块链的反洗钱仲裁方法、***及相关装置
CN113723954A (zh) * 2021-06-15 2021-11-30 复旦大学 一种对区块链中异常交易节点进行检测和监管的方法

Also Published As

Publication number Publication date
CN115622774B (zh) 2024-01-12
CN115619555B (zh) 2023-06-09
CN115622774A (zh) 2023-01-17
CN115065458A (zh) 2022-09-16
CN115619555A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN115065458B (zh) 一种数据加密传输的电子商务交易***
Keshk et al. A privacy-preserving-framework-based blockchain and deep learning for protecting smart power networks
Akcora et al. Bitcoinheist: Topological data analysis for ransomware detection on the bitcoin blockchain
Feng et al. Mining network data for intrusion detection through combining SVMs with ant colony networks
Peddabachigari et al. Modeling intrusion detection system using hybrid intelligent systems
Pradeep Mohan Kumar et al. Intrusion detection system based on GA‐fuzzy classifier for detecting malicious attacks
Rawat et al. Intrusion detection systems using classical machine learning techniques vs integrated unsupervised feature learning and deep neural network
Torabi et al. Practical autoencoder based anomaly detection by using vector reconstruction error
Shao Encoding IP address as a feature for network intrusion detection
Kadry et al. Intrusion detection model using optimized quantum neural network and elliptical curve cryptography for data security
Srilatha et al. DDoSNet: A deep learning model for detecting network attacks in cloud computing
Moorthy et al. A study of Intrusion Detection using data mining
Dasari et al. An effective classification of DDoS attacks in a distributed network by adopting hierarchical machine learning and hyperparameters optimization techniques
Babbar et al. Frhids: Federated learning recommender hydrid intrusion detection system model in software defined networking for consumer devices
Wang et al. Practical blockchain-based steganographic communication via adversarial AI: A case study in bitcoin
Nandal et al. Cyber security against ddos malware spoofing attacks using machine learning with genetic algorithm
Al-Hashedi et al. A supervised model to detect suspicious activities in the bitcoin network
Pathak et al. HMM-Based IDS for Attack Detection and Prevention in MANET
Geetha et al. Survey: cryptography optimization algorithms
Xu et al. Self-supervised graph representation learning for black market account detection
Chen et al. An Investigation of Recent Backdoor Attacks and Defenses in Federated Learning
Khan et al. Synthetic Identity Detection using Inductive Graph Convolutional Networks
Sun et al. GAME-BC: A Graph Attention Model for Exploring Bitcoin Crime
Deep et al. Prevention and Detection of Intrusion in Cloud Using Hidden Markov Model
Selvamani et al. An efficacious intellectual framework for host based intrusion detection system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221024

Address after: Room 1401, No. 169, Yingchun Street, Laishan District, Yantai City, Shandong Province, 264000

Applicant after: Shandong Dingxin Digital Technology Co.,Ltd.

Address before: 100000 Beijing city Haidian District Xitucheng Road No. 10

Applicant before: Beijing University of Posts and Telecommunications

GR01 Patent grant
GR01 Patent grant