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 PDFInfo
- 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
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
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,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,假设表示加密操作,M表示需要加密的数据,表示解密,C表示加密后需要解密的数据,满足:,,并且有:,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。
其中,表示基于神经网络混沌序列的对称块加密算法,表示基于神经网络混沌序列的对称块的解密算法,如果,就有,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:
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,由个混沌神经元组成的混沌神经网络的个神经元的方程如下所示:
其中,是第个混沌神经元在离散时间的输出,是第个混沌神经元的连续输出函数,是混沌神经元的数量,是第个混沌神经元和第个混沌神经元的连接权重,是第个混沌神经元的轴突变换传递函数,是外部输入的数量,是第个输入和第个混沌神经元的连接权重,是离散时间(处第个输入的强度、是第个混沌神经元的耐火度函数,是耐火度衰减系数,是自反馈系数,且,是第个混沌神经元的完全或非激发阈值,如果表示第个混沌神经元在离散时间的内部状态,混沌神经网络的迭代表示如下:
对于所有神经元,函数和定义为,其中为符号函数,即:,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:,取值为0或1,假设每个神经元的所有激发阈值为,有:,其中,和分别是第个混沌神经元在离散时间和的内部状态,假设可取值1、0和−1,当它们处于兴奋状态时,,当它们处于抑制状态时,则,当它们不直接连接时,,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,当时,假设,以获得连接权重矩阵的值。
其中为纠偏系数,定义一个具有个互连神经元的离散Hopfield神经网络,每个神经元的状态为,为0或1,下一个状态取决于神经元的当前状态,即,其中,是神经元和的连接权重,这是一个对称矩阵,是神经元的阈值,是时间第个神经元的状态,是时间第个神经元的状态,是时间第个神经元的状态,神经网络在时间的能量如下表出:
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,引入随机变换矩阵后,将原始初始状态和吸引子分别转化为新的初始状态和吸引子,有:
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:
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:
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。
步骤(1):对粒子群中的各粒子进行相似更新检测:令表示粒子群中的第个粒子,表示粒子群中的第个粒子,当粒子和粒子在时刻满足:且时,则判定粒子和粒子在时刻为相似更新粒子,其中,表示时刻粒子在搜索空间的位置,表示时刻粒子在搜索空间的位置,表示时刻粒子在搜索空间的个体最优位置,表示时刻粒子在搜索空间的个体最优位置,为粒子群在时刻的相似检测阈值,且,其中,表示时刻粒子在搜索空间的邻域相似值,且,其中,表示时刻粒子群中距离位置第近的粒子的位置,为给定的正整数,且,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:设表示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个类,类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中,并继续将粒子群中和当前类中任一粒子为相似更新粒子的粒子加入类中,直到类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中;
在上述更新公式中,令表示类中的第个粒子,和分别表示时刻粒子在搜索空间的位置和步长,和分别表示时刻粒子在搜索空间的位置和步长,表示粒子群在时刻的惯性权重因子,且,和分别为给定的最大惯性权重因子和最小惯性权重因子,且,,表示最大迭代次数,和分别为在区间内产生的随机数,表示时刻粒子在搜索空间的个体最优位置,表示时刻粒子群在搜索空间的全局最优位置,表示粒子群的局部学习因子,表示粒子群的全局学习因子,和的值可以取:,;
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,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,假设表示加密操作,M表示需要加密的数据,表示解密,C表示加密后需要解密的数据,满足:,,并且有:,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。
其中,表示基于神经网络混沌序列的对称块加密算法,表示基于神经网络混沌序列的对称块的解密算法,如果,就有,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:
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,由个混沌神经元组成的混沌神经网络的个神经元的方程如下所示:
其中,是第个混沌神经元在离散时间的输出,是第个混沌神经元的连续输出函数,是混沌神经元的数量,是第个混沌神经元和第个混沌神经元的连接权重,是第个混沌神经元的轴突变换传递函数,是外部输入的数量,是第个输入和第个混沌神经元的连接权重,是离散时间(处第个输入的强度、是第个混沌神经元的耐火度函数,是耐火度衰减系数,是自反馈系数,且,是第个混沌神经元的完全或非激发阈值,如果表示第个混沌神经元在离散时间的内部状态,混沌神经网络的迭代表示如下:
对于所有神经元,函数和定义为,其中为符号函数,即:,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:,取值为0或1,假设每个神经元的所有激发阈值为,有:,其中,和分别是第个混沌神经元在离散时间和的内部状态,假设可取值1、0和−1,当它们处于兴奋状态时,,当它们处于抑制状态时,则,当它们不直接连接时,,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,当时,假设,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:
其中为纠偏系数,定义一个具有个互连神经元的离散Hopfield神经网络,每个神经元的状态为,为0或1,下一个状态取决于神经元的当前状态,即,其中,是神经元和的连接权重,这是一个对称矩阵,是神经元的阈值,是时间第个神经元的状态,是时间第个神经元的状态,是时间第个神经元的状态,神经网络在时间的能量如下表出:
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,引入随机变换矩阵后,将原始初始状态和吸引子分别转化为新的初始状态和吸引子,有:
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:
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:
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。
步骤(1):对粒子群中的各粒子进行相似更新检测:令表示粒子群中的第个粒子,表示粒子群中的第个粒子,当粒子和粒子在时刻满足:且时,则判定粒子和粒子在时刻为相似更新粒子,其中,表示时刻粒子在搜索空间的位置,表示时刻粒子在搜索空间的位置,表示时刻粒子在搜索空间的个体最优位置,表示时刻粒子在搜索空间的个体最优位置,为粒子群在时刻的相似检测阈值,且,其中,表示时刻粒子在搜索空间的邻域相似值,且,其中,表示时刻粒子群中距离位置第近的粒子的位置,为给定的正整数,且,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:设表示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个类,类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中,并继续将粒子群中和当前类中任一粒子为相似更新粒子的粒子加入类中,直到类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中;
在上述更新公式中,令表示类中的第个粒子,和分别表示时刻粒子在搜索空间的位置和步长,和分别表示时刻粒子在搜索空间的位置和步长,表示粒子群在时刻的惯性权重因子,且,和分别为给定的最大惯性权重因子和最小惯性权重因子,且,,表示最大迭代次数,和分别为在区间内产生的随机数,表示时刻粒子在搜索空间的个体最优位置,表示时刻粒子群在搜索空间的全局最优位置,表示粒子群的局部学习因子,表示粒子群的全局学习因子,和的值可以取:,;
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。
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,假设表示加密操作,M表示需要加密的数据,表示解密,C表示加密后需要解密的数据,满足:,,并且有:,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。
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)
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)
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)
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*** |
-
2022
- 2022-08-08 CN CN202211235708.6A patent/CN115622774B/zh active Active
- 2022-08-08 CN CN202211235695.2A patent/CN115619555B/zh active Active
- 2022-08-08 CN CN202210944450.0A patent/CN115065458B/zh active Active
Patent Citations (4)
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 |