CN115455451B - 一种加密数据分级解密方法及ai*** - Google Patents

Abstract

本申请提供的一种加密数据分级解密方法及AI***，可以将待分析加密数据加载至完成配置的第一数据衍生模型中，获得待分析加密数据的数据解密向量。从特征提取单元的输入中获得到待分析加密数据若干种加密数据特征，经过无量纲简化方式的无量纲简化处理和衍生触发条件的衍生触发处理，特征提取单元将获得的衍生触发处理向量视为涵盖待分析加密数据若干种特征的融合后的特征提取处理向量，使得特征提取单元获得的待分析的若干种加密数据特征能够尽可能的加载至后一个单元，进而使得该第一数据衍生模型能够综合到各种干扰待分析加密数据的要素来确定待分析加密数据的数据解密向量，实现了对加密数据的进行精确且可靠的解密。

Description

一种加密数据分级解密方法及AI***

技术领域

本申请涉及数据解密技术领域，具体而言，涉及一种加密数据分级解密方法及AI***。

背景技术

随着科技不断的发展和进步，人们对数据安全越加的重视，因此，针对数据加密的技术越加的成熟。但是用户想要获取加密数据的内容，就需要对数据进行解密，如何提高解密的准确性和可靠性是现有技术难以克服的一个技术问题。

发明内容

为改善相关技术中存在的技术问题，本申请提供了一种加密数据分级解密方法及AI***。

第一方面，本申请提供一种加密数据分级解密方法，该方法至少包括：获得待分析加密数据；将所述待分析加密数据加载至完成配置的第一数据衍生模型中，所述第一数据衍生模型包括：特征提取单元，其中，所述特征提取单元包括若干个不同尺寸的特征提取窗口、无量纲简化方式和衍生触发条件，所述若干个不同尺寸的特征提取窗口对所述特征提取单元的输入进行特征提取处理，得到特征提取窗口处理向量，所述无量纲简化方式将所述特征提取窗口处理向量视为输入进行无量纲简化处理，得到无量纲简化方式处理向量，所述衍生触发条件将所述无量纲简化方式处理向量视为输入进行衍生触发处理，得到衍生触发处理向量，所述特征提取单元将所述衍生触发处理向量视为特征提取处理向量；所述第一数据衍生模型输出所述待分析加密数据的数据解密向量。

在一种独立实施的实施例中，所述第一数据衍生模型还包括：无量纲简化单元；所述无量纲简化单元对加载至所述第一数据衍生模型中的所述待分析加密数据进行无量纲简化处理，得到无量纲简化处理向量，其中，所述无量纲简化处理为去极化无量纲简化处理。

在一种独立实施的实施例中，所述第一数据衍生模型还包括：第一挖掘单元、总挖掘单元，所述第一挖掘单元包括：最佳局部挖掘单元和去极化局部挖掘单元；所述最佳局部挖掘单元和所述去极化局部挖掘单元将所述特征提取处理向量视为输入逐一进行挖掘处理，得到最佳挖掘向量和去极化挖掘向量；所述第一挖掘单元将所述最佳挖掘向量和所述去极化挖掘向量视为第一挖掘向量；所述总挖掘单元将所述第一挖掘向量视为输入进行总挖掘处理，得到总挖掘向量。

在一种独立实施的实施例中，所述第一数据衍生模型还包括：整合单元；所述整合单元将所述总挖掘向量视为输入进行融合处理，得到融合处理结果，其中，所述整合单元包括：局部衍生触发条件单元；所述局部衍生触发条件单元对所述融合处理结果进行关联得到关联向量；将所述关联向量视为所述待分析加密数据的数据解密向量。

在一种独立实施的实施例中，所述第一数据衍生模型是通过以下配置方式所得：将一种配置加密数据加载至原始数据衍生模型获得所述配置加密数据中各加密数据的原始数据衍生模型数据解密向量，所述配置加密数据是一种依照准确度由准确到简单的顺序排列的加密数据；从所述配置加密数据中任意筛选一个第一加密数据并确定所述第一加密数据对应的第一原始数据衍生模型数据解密向量；判断所述第一原始数据衍生模型数据解密向量与第二原始数据衍生模型数据解密向量和第三原始数据衍生模型数据解密向量的匹配情况，所述第二原始数据衍生模型数据解密向量为在所述配置加密数据中分布在所述第一加密数据之前的配置加密数据中原始数据衍生模型数据解密向量最佳的变量，所述第三原始数据衍生模型数据解密向量为在所述配置加密数据中分布在所述第一加密数据之后的加密数据中原始数据衍生模型数据解密向量最小的变量；通过所述匹配情况确定所述原始数据衍生模型的损失向量；通过所述损失向量调试所述原始数据衍生模型得到第一数据衍生模型。

在一种独立实施的实施例中，所述通过所述匹配情况确定所述原始数据衍生模型的损失向量，包括：确定第一比较向量和第二比较向量；将所述第一比较向量和所述第二比较向量的和视为所述原始数据衍生模型的损失向量；其中，确定第一比较向量包括：如果所述第一原始数据衍生模型数据解密向量超过所述第二原始数据衍生模型数据解密向量，确定第一比较向量为0；如果所述第一原始数据衍生模型数据解密向量低于所述第二原始数据衍生模型数据解密向量，确定第一比较向量为第一原始数据衍生模型数据解密向量减所述第二原始数据衍生模型数据解密向量所得比较向量；其中，确定第二比较向量包括：如果所述第一原始数据衍生模型数据解密向量低于所述第三原始数据衍生模型数据解密向量，确定第二比较向量为0；如果所述第一原始数据衍生模型数据解密向量超过所述第三原始数据衍生模型数据解密向量，确定第二比较向量为第一原始数据衍生模型数据解密向量减第三原始数据衍生模型数据解密向量所述所得比较向量。

在一种独立实施的实施例中，所述通过所述损失向量调试所述原始数据衍生模型得到第一数据衍生模型，包括：通过所述损失向量搭建关于模型调试系数的量化评估模型，所述模型调试系数为通过所述原始数据衍生模型的输出对所述原始数据衍生模型的系数进行调试的调试向量；确定使所述量化评估模型的输出低于指定目标值的所述第一模型调试系数；通过所述第一模型调试系数调试所述原始数据衍生模型得到第一数据衍生模型。

在一种独立实施的实施例中，所述确定使所述量化评估模型的输出低于指定目标值的所述第一模型调试系数，包括：将所述原始数据衍生模型的原始数据衍生模型系数向原始数据衍生模型关联模型的解析维度调试，直到调试后所得模型系数使所述量化评估模型的输出低于指定目标值，将调试后所得模型系数视为第一模型调试系数，其中，调试的区间与损失向量存在联系，所述原始数据衍生模型关联模型为所述原始数据衍生模型所实现的关联模型。

在一种独立实施的实施例中，所述将所述原始数据衍生模型的原始数据衍生模型系数向所述原始数据衍生模型关联模型的解析维度调试，包括：依照下式对所述原始数据衍生模型系数进行调试： 其中，m为第一模型调试系数，n为不少于一个待分析加密数据，β1为超系数，fn为n对应的损失向量，f（n，m）为第一原始数据衍生模型数据解密向量。

在一种独立实施的实施例中，所述通过所述第一模型调试系数调试所述原始数据衍生模型得到第一数据衍生模型，包括：通过所述第一模型调试系数对所述原始数据衍生模型中的所述特征提取窗口的数目和尺寸、所述特征提取单元的数目和所述第一挖掘单元的数目进行调试，得到第一数据衍生模型。

第二方面，本申请一种加密数据分级解密AI***，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现所述加密数据分级解密方法。

本申请实施例所提供的一种加密数据分级解密方法，可以将待分析加密数据加载至完成配置的第一数据衍生模型中，获得待分析加密数据的数据解密向量。而该第一数据衍生模型包括：特征提取单元，而特征提取单元包括若干个尺寸不同的特征提取窗口，从特征提取单元的输入中获得到待分析加密数据若干种加密数据特征，经过无量纲简化方式的无量纲简化处理和衍生触发条件的衍生触发处理，特征提取单元将获得的衍生触发处理向量视为涵盖待分析加密数据若干种特征的融合后的特征提取处理向量，使得特征提取单元获得的待分析的若干种加密数据特征能够尽可能的加载至后一个单元，进而使得该第一数据衍生模型能够综合到各种干扰待分析加密数据的要素来确定待分析加密数据的数据解密向量，实现了对加密数据的进行精确且可靠的解密。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例所提供的一种加密数据分级解密方法的流程图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

请参阅图1，示出了一种加密数据分级解密方法，该方法可以包括以下步骤S101-S103所描述的技术方案。

S101，获得待分析加密数据。

S102，将待分析加密数据加载至完成配置的第一数据衍生模型中。

S103，第一数据衍生模型输出待分析加密数据的数据机密向量。

需要理解的是，可以将待分析加密数据加载至完成配置的第一数据衍生模型中，获得待分析加密数据的数据机密向量。而该第一数据衍生模型包括：特征提取单元，而特征提取单元包括若干个尺寸不同的特征提取窗口，从特征提取单元的输入中获得到待分析加密数据若干种加密数据特征，经过无量纲简化方式的无量纲简化处理和衍生触发条件的衍生触发处理，特征提取单元将获得的衍生触发处理向量视为涵盖待分析加密数据若干种特征的融合后的特征提取处理向量，使得特征提取单元获得的待分析的若干种加密数据特征能够尽可能的加载至后一个单元，进而使得该第一数据衍生模型能够综合到各种干扰待分析加密数据的要素来确定待分析加密数据的数据机密向量，实现了对加密数据的进行精确且可靠的解密。

进一步地，在S101中，待分析加密数据为任意加密数据。并且待分析的加密数据数目可以为一个也可以为若干个，下文中为描述方便，仅以待分析加密数据为一个加密数据为例进行解释。

在S102中，第一数据衍生模型包括：特征提取单元，其中，特征提取单元包括若干个不同尺寸的特征提取窗口、无量纲简化方式和衍生触发条件，若干个不同尺寸的特征提取窗口对特征提取单元的输入进行特征提取处理，得到特征提取窗口处理向量，所述无量纲简化方式将特征提取窗口处理向量视为输入进行无量纲简化处理，得到无量纲简化方式处理向量，衍生触发条件将无量纲简化方式处理向量视为输入进行衍生触发处理，得到衍生触发处理向量，特征提取单元将衍生触发处理向量视为特征提取处理向量。

特征提取单元将前一个单元的输出视为输入，让若干个尺寸不同的特征提取窗口对其进行特征提取处理，得到特征提取窗口处理向量，从而使得在获得待分析加密数据的若干个不同的特征的同时，让第一数据衍生模型中经过有限个单元的特征提取后就能尽快覆盖待分析加密数据足够多的加密数据特征，能够使模型计算得到简化。对若干个特征提取窗口处理向量通过获得的特征的不同分别使用无量纲简化方式进行无量纲简化处理得到若干个无量纲简化方式处理向量，以便于后续加密数据特征的处理。

衍生触发条件将经过无量纲简化处理所得若干个无量纲简化方式处理向量逐一进行衍生触发处理，为第一数据衍生模型加入要素，提高第一数据衍生模型的计算能力，得到若干个衍生触发处理向量，特征提取单元将若干个衍生触发处理向量视为特征提取处理向量，需要理解的是，该特征提取处理向量中涵盖了若干个衍生触发处理向量，而若干个衍生触发处理向量又是对无量纲简化后的若干个特征提取窗口处理向量使用衍生触发条件衍生触发所得，若干个衍生触发处理向量涵盖了待分析加密数据的若干个特征，因此，特征提取处理向量中涵盖了待分析加密数据的各个加密数据特征，将该特征提取处理向量视为特征提取单元的输出，即，通过特征提取单元获得了待分析加密数据中各种干扰加密数据的干扰因素，特征提取处理向量将视为特征提取单元下一个单元的输入，使得通过特征提取单元获所得若干种加密数据特征能够尽可能的加载至后一个单元中进一步进行处理。

对于一些可能实施的实施例而言，第一数据衍生模型中可以包括若干个特征提取单元，需要理解的是，通过若干个特征提取单元可以对待分析加密数据的加密数据特征进行多次提取，从而保障第一数据衍生模型可以从待分析加密数据中获得到足够若干种加密数据特征，进一步的，使得第一数据衍生模型能够综合到各种干扰待分析加密数据的要素来确定待分析加密数据的数据机密向量，实现对加密数据的进行精确且可靠的解密。

在当前加密数据的挖掘中，由于不同加密数据的记录方式、加密数据系数可能存在差异，不同的待分析加密数据的系数也会有较大差异，基于此，第一数据衍生模型还包括：无量纲简化单元；无量纲简化单元对加载至第一数据衍生模型中的待分析加密数据进行无量纲简化处理，得到无量纲简化处理向量。其中，无量纲简化处理为去极化无量纲简化处理。

需要理解的是，由于进行了对待分析加密数据进行了无量纲简化处理可以提高第一数据衍生模型对待分析加密数据挖掘的效率。

对于一些可能实施的实施例而言，本发明还提供了一种挖掘方法，其中，第一数据衍生模型还包括：第一挖掘单元、总挖掘单元，第一挖掘单元包括：最佳局部挖掘单元和去极化局部挖掘单元所描述的步骤，具体可以包括如下内容。

S201，最佳局部挖掘单元和去极化局部挖掘单元将特征提取处理向量视为输入逐一进行挖掘处理，得到最佳挖掘向量和去极化挖掘向量。

S202，第一挖掘单元将最佳挖掘向量和去极化挖掘向量视为第一挖掘向量。

S203，总挖掘单元将第一挖掘向量视为输入进行总挖掘处理，得到总挖掘向量。

进一步地，在S201中，特征提取处理向量可以视为第一挖掘单元的输入，而第一挖掘单元包括最佳局部挖掘单元和去极化局部挖掘单元，因此，最佳局部挖掘单元和去极化局部挖掘单元可以逐一对特征提取单元输出的特征提取处理向量进行最佳挖掘和去极化挖掘。在特征提取单元后配置挖掘单元一方面降低了挖掘单元下一个单元的数据处理向量，一方面也可以预防第一数据衍生模型的衍生错误。本发明采用最佳挖掘可以很好的保留加密数据的特征，而采用去极化挖掘能很好的保留加密数据的场景，因此去极化挖掘向量消减了待处理加密数据的干扰。

在S202中，本发明在第一挖掘单元中采用了两种不同的挖掘方式，在获得不同的挖掘向量之后，将其视为第一挖掘向量，需要理解的是，第一挖掘向量一方面可以体现待分析加密数据的不同尺寸的特征，另一方面，由于最佳局部挖掘单元和去极化局部挖掘单元逐一对特征提取处理向量进行挖掘，因此，涵盖最佳挖掘向量和去极化挖掘向量的第一挖掘向量可以体现待处理加密数据的重要特征、降低了待处理加密数据的干扰。

在S203中，第一数据衍生模型使用总挖掘单元对第一挖掘向量进行总挖掘处理，总挖掘可以大区间减少第一数据衍生模型的模型系数，从而减少了第一数据衍生模型衍生异常的问题。

对于一些可能实施的实施例而言，本发明还提供了一种挖掘方法，第一数据衍生模型还包括：整合单元，可以包括如下内容。

S301，整合单元将总挖掘向量视为输入进行融合处理，得到融合处理结果。

S302，局部衍生触发条件单元对融合处理结果进行关联得到关联向量。

S303，将关联向量视为待分析加密数据的数据机密向量。

示例性的，在S301中，整合单元包括：局部衍生触发条件单元。整合单元可以将其前层单元中获得所得所有特征进行融合处理，进行特征融合，获得融合处理结果。

在S302中，由于衍生触发条件的输出为0-2，因此，整合单元涵盖的局部衍生触发条件单元对融合处理结果进行关联处理时，可以在加强第一数据衍生模型的非线性计算能力的同时，将融合处理结果关联为取值范围在0-21的关联向量。

在S303中，将取值范围在在0-2的关联向量视为待分析加密数据的数据机密向量可以便于对加密数据进行解密处理，进而便于后续对待分析加密数据的数据机密向量的使用。

在本实施例中，对加密数据的数据机密向量并不精确，因此需要对本步骤进行进一步地解释，所述方法可以包括如下内容。

S401，将一种配置加密数据加载至原始数据衍生模型获得配置加密数据中各加密数据的原始数据衍生模型数据机密向量。

S402，从配置加密数据中任意筛选一个第一加密数据并确定第一加密数据对应的第一原始数据衍生模型数据机密向量。

S403，判断第一原始数据衍生模型数据机密向量与第二原始数据衍生模型数据机密向量和第三原始数据衍生模型数据机密向量的匹配情况。

S404，根据匹配情况确定原始数据衍生模型的损失向量。

S405，根据损失向量调试原始数据衍生模型得到第一数据衍生模型。

在S402中，在配置加密数据中任意筛选一个加密数据视为第一加密数据，由于原始数据衍生模型已经将所有的配置加密数据的原始数据衍生模型数据机密向量确定，因此，在筛选了第一加密数据之后，就可以确定出该第一加密数据对应的第一原始数据衍生模型数据机密向量。

在S403中，第二原始数据衍生模型数据机密向量为在配置加密数据中分布在第一加密数据之前的配置加密数据中原始数据衍生模型数据机密向量最佳的变量，第三原始数据衍生模型数据机密向量为在配置加密数据中分布在第一加密数据之后的加密数据中原始数据衍生模型数据机密向量最小的变量。

根据配置加密数据的分布和其对应的原始数据衍生模型数据机密向量，在确定第一加密数据之后，就可以确定出第一加密数据的分布位置，进而可以确定出该组由简单到清楚的配置加密数据中第一加密数据之前的原始数据衍生模型数据机密向量最佳的变量和该组由简单到清楚的配置加密数据中第一加密数据之后的原始数据衍生模型数据机密向量最小的变量，分别视为第二原始数据衍生模型数据机密向量和第三原始数据衍生模型数据机密向量。需要理解的是，配置加密数据中分布在第一加密数据之前的加密数据相较于第一加密数据来说更为简单，因此正常情况下其对应的原始数据衍生模型数据机密向量应该低于第一原始数据衍生模型数据机密向量，而配置加密数据中分布在第一加密数据之后的加密数据相较于第一加密数据来说更为准确，其对应的原始数据衍生模型数据机密向量应该超过第一原始数据衍生模型数据机密向量。基于此，本发明筛选分布在第一加密数据之前的配置加密数据中原始数据衍生模型数据机密向量最佳的变量作为第二原始数据衍生模型数据机密向量，筛选分布在第一加密数据之后的配置加密数据中原始数据衍生模型数据机密向量最小的变量作为第三原始数据衍生模型数据机密向量，与第一原始数据衍生模型数据机密向量进行比对，判断其匹配情况，可以清楚地反映出该原始数据衍生模型对待分析加密数据的预测能力。

在S404中，根据第一原始数据衍生模型数据机密向量与第二原始数据衍生模型数据机密向量和第三原始数据衍生模型数据机密向量的匹配情况，确定出该原始数据衍生模型对应的损失向量，损失向量可以反映该第一原始数据衍生模型数据机密向量的好坏程度，进而反映出该原始数据衍生模型的好坏程度。需要理解的是，若第一原始数据衍生模型数据机密向量低于第二原始数据衍生模型数据机密向量或第一原始数据衍生模型数据机密向量超过第三原始数据衍生模型数据机密向量，而实际上，第一加密数据比第二原始数据衍生模型数据机密向量对应的加密数据准确，比第三原始数据衍生模型数据机密向量对应的加密数据简单，则此时原始数据衍生模型没有准确确定出第一加密数据的数据机密向量，没有反应出第一加密数据的实施信息，此时可以获得其对应的损失向量，损失向量与第一原始数据衍生模型数据机密向量的精确程度成反比，即，第一原始数据衍生模型数据机密向量越准确，其损失向量的绝对值越小。

在S405中，需要理解的是，损失向量间接的反映了原始数据衍生模型的挖掘精确性，进一步的，反映了原始数据衍生模型的模型系数的好坏。

需要理解的是，可以在不获得标注后的配置加密数据的情况下实现对原始数据衍生模型，获得可以准确预测加密数据准确度的第一数据衍生模型，从而在提高了模型配置效率的同时，提高了配置所得模型的挖掘的精确性。

实际实现中，可以根据采用不同方法来确定损失向量，对于一些可能实施的实施例而言，根据匹配情况确定原始数据衍生模型的损失向量所描述的步骤，具体可以包括如下内容。

S501，确定第一比较向量和第二比较向量。

S502，将第一比较向量和第二比较向量的和视为原始数据衍生模型的损失向量。

其中，在S501中，确定第一比较向量包括：若第一原始数据衍生模型数据机密向量超过第二原始数据衍生模型数据机密向量，确定第一比较向量为0；若第一原始数据衍生模型数据机密向量低于第二原始数据衍生模型数据机密向量，确定第一比较向量为第一原始数据衍生模型数据机密向量减第二原始数据衍生模型数据机密向量所得比较向量；确定第二比较向量包括：若第一原始数据衍生模型数据机密向量低于第三原始数据衍生模型数据机密向量，确定第二比较向量为0；若第一原始数据衍生模型数据机密向量超过第三原始数据衍生模型数据机密向量，确定第二比较向量为第一原始数据衍生模型数据机密向量减第三原始数据衍生模型数据机密向量所得比较向量。

在确定第一比较向量时，有两种情况，若第一原始数据衍生模型数据机密向量超过第二原始数据衍生模型数据机密向量，确定第一比较向量为0，若第一原始数据衍生模型数据机密向量低于第二原始数据衍生模型数据机密向量，确定第一比较向量为第一原始数据衍生模型数据机密向量减第二原始数据衍生模型数据机密向量所得比较向量。需要理解的是，第一加密数据的比第二原始数据衍生模型数据机密向量对应的加密数据准确，而若第一原始数据衍生模型数据机密向量超过第二原始数据衍生模型数据机密向量，则说明该原始数据衍生模型输出的第一加密数据的第一原始数据衍生模型数据机密向量局部准确，而如前所述，损失向量的绝对值与第一原始数据衍生模型数据机密向量的精确程度负相关，反映原始数据衍生模型的不精确程度，因此，在第一原始数据衍生模型数据机密向量超过第二原始数据衍生模型数据机密向量时，此预测值相较于在配置加密数据中分布在第一加密数据前的加密数据而言相对准确，因此，将第一比较向量确定为0。而第一原始数据衍生模型数据机密向量低于第二原始数据衍生模型数据机密向量时，原始数据衍生模型对第一加密数据的挖掘是不准确的，因此将第一比较向量确定为第一原始数据衍生模型数据机密向量减第二原始数据衍生模型数据机密向量所得比较向量。

而在确定第二比较向量时，类似于第一比较向量的确定方法，也有两种情况，若第一原始数据衍生模型数据机密向量低于第三原始数据衍生模型数据机密向量，确定第二比较向量为0；若第一原始数据衍生模型数据机密向量超过第三原始数据衍生模型数据机密向量，确定第二比较向量为第一原始数据衍生模型数据机密向量减第三原始数据衍生模型数据机密向量所得比较向量。需要理解的是，第一加密数据的比第三原始数据衍生模型数据机密向量对应的加密数据简单，而若第一原始数据衍生模型数据机密向量低于第二原始数据衍生模型数据机密向量，则说明此预测值相较于在配置加密数据中分布在第一加密数据后的加密数据而言相对准确，因此，将第二比较向量确定为0。而第一原始数据衍生模型数据机密向量超过第三原始数据衍生模型数据机密向量时，原始数据衍生模型对第一加密数据的挖掘是不准确的，因此将第二比较向量确定为第一原始数据衍生模型数据机密向量减第第三原始数据衍生模型数据机密向量所得比较向量。

在S502中，需要理解的是，上述计算所得的第一比较向量的取值为0或负数，而第二比较向量的取值为0或正数，因此，将第一比较向量和第二比较向量可以进行累加所得损失向量超过0，则说明原始数据衍生模型预测图片解密处理值偏大，若损失向量低于0，则说明原始数据衍生模型预测图片解密处理值偏小，而不论损失向量的正负，其绝对值都可以反映原始数据衍生模型的不精确程度。

需要理解的是，可以获得一个合理的原始数据衍生模型的损失向量，从而提高了配置所得第二原始数据衍生模型的准确性。

对于一些可能实施的实施例而言，根据损失向量调试原始数据衍生模型得到第一数据衍生模型所描述的内容，具体可以包括以下步骤。

S601，根据损失向量搭建关于模型调试系数的量化评估模型。

S602，确定使量化评估模型的输出低于指定目标值的所述第一模型调试系数。

S603，根据第一模型调试系数调试原始数据衍生模型得到第一数据衍生模型。

其中，在S601中，其中，模型调试系数为根据原始数据衍生模型的输出对原始数据衍生模型的系数进行调试的调试向量。

在S603中，需要理解的是，根据该第一模型调试系数调试原始数据衍生模型得到第一数据衍生模型可以准确预测待分析加密数据的准确度。具体的，在根据第一模型调试系数调试原始数据衍生模型时，可以根据原始数据衍生模型的模型结构和第一模型调试系数相应调试原始数据衍生模型，举例而言，可以根据第一模型调试系数调试原始数据衍生模型的特征提取单元或第一挖掘单元的数目，也可以根据第一模型调试系数调试特征提取单元中特征提取窗口的数目和尺寸，等等，这些都是可以根据第一模型调试系数对原始数据衍生模型进行调试的。

需要理解的是，可以根据损失向量获得合理的第一模型调试系数从而对原始数据衍生模型进行调试，进一步，获得可以准确预测加密数据准确度的第二原始数据衍生模型。

对于一些可能实施的实施例而言，确定使量化评估模型的输出低于指定目标值的第一模型调试系数，包括：将原始数据衍生模型的原始数据衍生模型系数向原始数据衍生模型关联模型的解析维度调试，直到调试后所得模型系数使量化评估模型的输出低于指定目标值，将调试后所得模型系数视为第一模型调试系数，其中，调试的区间与损失向量存在联系，所述原始数据衍生模型关联模型为所述原始数据衍生模型所实现的关联模型。

需要理解的是，原始数据衍生模型未经配置的模型，其涵盖的原始数据衍生模型系数是未经配置调试的模型系数，原始数据衍生模型关联模型为原始数据衍生模型实现的模型，具体地，可以将待分析加密数据设为n，原始数据衍生模型系数设为m，则通过原始数据衍生模型对待分析加密数据进行预测所得数据机密向量可以为f（n，m），可以将f（n，m）视为原始数据衍生模型关联模型，表达了原始数据衍生模型系数，待分析加密数据与数据机密向量的关系，在调试原始数据衍生模型系数时会根据原始数据衍生模型关联模型不断获得新的数据机密向量，将新的数据机密向量加载至构建的量化评估模型计算得到使量化评估模型的输出低于指定目标值的数据机密向量，再根据原始数据衍生模型关联模型反推出该数据机密向量对应的原始数据衍生模型系数，将该原始数据衍生模型系数视为第一模型调试系数。

需要理解的是，可以确定出有效的第一模型调试系数，使得后续根据第一模型调试系数获得的第一数据衍生模型可以准确预测待分析加密数据的准确度。

对于一些可能实施的实施例而言，本发明还提供了一种根据第一模型调试系数调试所述原始数据衍生模型得到第一数据衍生模型的方法，包括：根据第一模型调试系数对原始数据衍生模型中的特征提取窗口的数目和尺寸、特征提取挖掘单元的数目进行调试，得到第一数据衍生模型。

进一步地，第二沈数据衍生模型中可以包括若干个特征提取单元和若干个第一挖掘单元，特征提取单元中又可以涵盖若干个不同尺寸的特征提取窗口，因此，在对根据第一模型调试系数对原始数据衍生模型进行预测时，可以是根据第一模型调试系数调试原始数据衍生模型的特征提取单元和第一挖掘单元的数目，也可以根据第一模型调试系数调试特征提取单元中特征提取窗口的数目和尺寸，等等，这些都是可以根据第一模型调试系数对原始数据衍生模型进行调试的。

需要理解的是，可以快速精确的根据第一模型调试系数对原始数据衍生模型进行调试，从而提高第一数据衍生模型的配置效率。

对于一些可能实施的实施例而言，本发明还提供了第一数据衍生模型，包括无量纲简化单元、指定数目的特征提取单元、指定数目的第一挖掘单元、总挖掘单元和整合单元。

对于一些可能实施的实施例而言，本发明还提供了一种加密数据分级解密方法所描述的内容，具体可以包括以下步骤。

S801，获得不少于一个待分析加密数据。

S802，通过在先配置好的第一数据衍生模型中的特征提取挖掘单元对不少于一个待分析加密数据进行处理，得到特征提取挖掘特征集。

S803，通过第一数据衍生模型中的总挖掘单元对特征提取挖掘特征集进行总挖掘，得到总挖掘特征集。

S804，通过第一数据衍生模型中的整合单元对总挖掘特征集进行加权处理，得到不少于一个待分析加密数据的数据机密向量。

其中，在S802中，特征提取挖掘单元包括特征提取单元和挖掘单元，用于对输入进行特征提取处理和挖掘处理。

对于一些可能实施的实施例而言，通过预先配置好的第一数据衍生模型中的特征提取挖掘单元对不少于一个待分析加密数据进行处理，得到特征提取挖掘特征集，包括：通过预先配置好的第一数据衍生模型中的特征提取挖掘单元对所述不少于一个待分析加密数据进行多次处理，得到特征提取挖掘特征集。

需要理解的是，通过若干个特征提取挖掘单元可以对待分析加密数据的加密数据特征进行多次提取，从而保障第一数据衍生模型可以从待分析加密数据中获得到足够若干种加密数据特征，进一步的，使得第一数据衍生模型能够综合到各种干扰待分析加密数据的要素来确定待分析加密数据的数据机密向量，实现对加密数据的进行精确且可靠的解密。

在上述基础上，提供了一种加密数据分级解密装置，应用于加密数据分级解密AI***，所述装置包括：

数据获取模块，用于获得待分析加密数据；

向量提取模块，用于将所述待分析加密数据加载至完成配置的第一数据衍生模型中，所述第一数据衍生模型包括：特征提取单元，其中，所述特征提取单元包括若干个不同尺寸的特征提取窗口、无量纲简化方式和衍生触发条件，所述若干个不同尺寸的特征提取窗口对所述特征提取单元的输入进行特征提取处理，得到特征提取窗口处理向量，所述无量纲简化方式将所述特征提取窗口处理向量视为输入进行无量纲简化处理，得到无量纲简化方式处理向量，所述衍生触发条件将所述无量纲简化方式处理向量视为输入进行衍生触发处理，得到衍生触发处理向量，所述特征提取单元将所述衍生触发处理向量视为特征提取处理向量；

向量分析模块，用于所述第一数据衍生模型输出所述待分析加密数据的数据解密向量。

在上述基础上，示出了一种加密数据分级解密AI***，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。

综上，基于上述方案，可以将待分析加密数据加载至完成配置的第一数据衍生模型中，获得待分析加密数据的数据解密向量。而该第一数据衍生模型包括：特征提取单元，而特征提取单元包括若干个尺寸不同的特征提取窗口，从特征提取单元的输入中获得到待分析加密数据若干种加密数据特征，经过无量纲简化方式的无量纲简化处理和衍生触发条件的衍生触发处理，特征提取单元将获得的衍生触发处理向量视为涵盖待分析加密数据若干种特征的融合后的特征提取处理向量，使得特征提取单元获得的待分析的若干种加密数据特征能够尽可能的加载至后一个单元，进而使得该第一数据衍生模型能够综合到各种干扰待分析加密数据的要素来确定待分析加密数据的数据解密向量，实现了对加密数据的进行精确且可靠的解密。

应当理解，上述所示的AI***及其模块可以利用各种方式来实现。例如，在一些实施例中，AI***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行AI***，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和AI***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的AI***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“AI***”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行AI***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的AI***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的AI***。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种加密数据分级解密方法，其特征在于，该方法至少包括：

获得待分析加密数据；

将所述待分析加密数据加载至完成配置的第一数据衍生模型中，所述第一数据衍生模型包括：特征提取单元，其中，所述特征提取单元包括若干个不同尺寸的特征提取窗口、无量纲简化方式和衍生触发条件，所述若干个不同尺寸的特征提取窗口对所述特征提取单元的输入进行特征提取处理，得到特征提取窗口处理向量，所述无量纲简化方式将所述特征提取窗口处理向量视为输入进行无量纲简化处理，得到无量纲简化方式处理向量，所述衍生触发条件将所述无量纲简化方式处理向量视为输入进行衍生触发处理，得到衍生触发处理向量，所述特征提取单元将所述衍生触发处理向量视为特征提取处理向量；

所述第一数据衍生模型输出所述待分析加密数据的数据解密向量；

所述第一数据衍生模型是通过以下配置方式所得：

将一种配置加密数据加载至原始数据衍生模型获得所述配置加密数据中各加密数据的原始数据衍生模型数据解密向量，所述配置加密数据是一种依照准确度由准确到简单的顺序排列的加密数据；

从所述配置加密数据中任意筛选一个第一加密数据并确定所述第一加密数据对应的第一原始数据衍生模型数据解密向量；

判断所述第一原始数据衍生模型数据解密向量与第二原始数据衍生模型数据解密向量和第三原始数据衍生模型数据解密向量的匹配情况，所述第二原始数据衍生模型数据解密向量为在所述配置加密数据中分布在所述第一加密数据之前的配置加密数据中原始数据衍生模型数据解密向量最佳的变量，所述第三原始数据衍生模型数据解密向量为在所述配置加密数据中分布在所述第一加密数据之后的加密数据中原始数据衍生模型数据解密向量最小的变量；

通过所述匹配情况确定所述原始数据衍生模型的损失向量；

通过所述损失向量调试所述原始数据衍生模型得到第一数据衍生模型。

2.根据权利要求1所述的方法，其特征在于，所述第一数据衍生模型还包括：无量纲简化单元；所述无量纲简化单元对加载至所述第一数据衍生模型中的所述待分析加密数据进行无量纲简化处理，得到无量纲简化处理向量，其中，所述无量纲简化处理为去极化无量纲简化处理。

3.根据权利要求1所述的方法，其特征在于，所述第一数据衍生模型还包括：第一挖掘单元、总挖掘单元，所述第一挖掘单元包括：最佳局部挖掘单元和去极化局部挖掘单元；所述最佳局部挖掘单元和所述去极化局部挖掘单元将所述特征提取处理向量视为输入逐一进行挖掘处理，得到最佳挖掘向量和去极化挖掘向量；所述第一挖掘单元将所述最佳挖掘向量和所述去极化挖掘向量视为第一挖掘向量；所述总挖掘单元将所述第一挖掘向量视为输入进行总挖掘处理，得到总挖掘向量。

4.根据权利要求3所述的方法，其特征在于，所述第一数据衍生模型还包括：整合单元；所述整合单元将所述总挖掘向量视为输入进行融合处理，得到融合处理结果，其中，所述整合单元包括：局部衍生触发条件单元；所述局部衍生触发条件单元对所述融合处理结果进行关联得到关联向量；将所述关联向量视为所述待分析加密数据的数据解密向量。

5.根据权利要求1所述的方法，其特征在于，所述通过所述匹配情况确定所述原始数据衍生模型的损失向量，包括：

确定第一比较向量和第二比较向量；将所述第一比较向量和所述第二比较向量的和视为所述原始数据衍生模型的损失向量；

其中，确定第一比较向量包括：如果所述第一原始数据衍生模型数据解密向量超过所述第二原始数据衍生模型数据解密向量，确定第一比较向量为0；

如果所述第一原始数据衍生模型数据解密向量低于所述第二原始数据衍生模型数据解密向量，确定第一比较向量为第一原始数据衍生模型数据解密向量减所述第二原始数据衍生模型数据解密向量所得比较向量；

其中，确定第二比较向量包括：如果所述第一原始数据衍生模型数据解密向量低于所述第三原始数据衍生模型数据解密向量，确定第二比较向量为0；如果所述第一原始数据衍生模型数据解密向量超过所述第三原始数据衍生模型数据解密向量，确定第二比较向量为第一原始数据衍生模型数据解密向量减第三原始数据衍生模型数据解密向量所述所得比较向量。

6.根据权利要求3所述的方法，其特征在于，所述通过所述损失向量调试所述原始数据衍生模型得到第一数据衍生模型，包括：

通过所述损失向量搭建关于模型调试系数的量化评估模型，所述模型调试系数为通过所述原始数据衍生模型的输出对所述原始数据衍生模型的系数进行调试的调试向量；

确定使所述量化评估模型的输出低于指定目标值的第一模型调试系数；

通过所述第一模型调试系数调试所述原始数据衍生模型得到第一数据衍生模型。

7.根据权利要求6所述的方法，其特征在于，所述确定使所述量化评估模型的输出低于指定目标值的所述第一模型调试系数，包括：

将所述原始数据衍生模型的原始数据衍生模型模型系数向原始数据衍生模型关联模型的解析维度调试，直到调试后所得模型系数使所述量化评估模型的输出低于指定目标值，将调试后所得模型系数视为第一模型调试系数，其中，调试的区间与损失向量存在联系，所述原始数据衍生模型关联模型为所述原始数据衍生模型所实现的关联模型。

8.根据权利要求7所述的方法，其特征在于，所述将所述原始数据衍生模型的原始数据衍生模型系数向所述原始数据衍生模型关联模型的解析维度调试，包括：依照下式对所述原始数据衍生模型系数进行调试： 其中，m为第一模型调试系数，n为不少于一个待分析加密数据，β1为超系数，fn为n对应的损失向量，f（n，m）为第一原始数据衍生模型数据解密向量。

9.根据权利要求6所述的方法，其特征在于，所述通过所述第一模型调试系数调试所述原始数据衍生模型得到第一数据衍生模型，包括：通过所述第一模型调试系数对所述原始数据衍生模型中的所述特征提取窗口的数目和尺寸、所述特征提取单元的数目和所述第一挖掘单元的数目进行调试，得到第一数据衍生模型。

10.一种加密数据分级解密AI***，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-9的方法。