CN115706940A - 5g消息加密算法的选择方法、装置及计算设备 - Google Patents
5g消息加密算法的选择方法、装置及计算设备 Download PDFInfo
- Publication number
- CN115706940A CN115706940A CN202110821134.XA CN202110821134A CN115706940A CN 115706940 A CN115706940 A CN 115706940A CN 202110821134 A CN202110821134 A CN 202110821134A CN 115706940 A CN115706940 A CN 115706940A
- Authority
- CN
- China
- Prior art keywords
- encryption algorithm
- message
- issued
- characteristic attribute
- characteristic
- 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.)
- Pending
Links
Images
Landscapes
- Storage Device Security (AREA)
Abstract
本发明公开了一种5G消息加密算法的选择方法、装置及计算设备,该方法包括:接收针对于待下发5G消息的下发请求,其中,下发请求中携带有待下发5G消息的特征属性;获取各个加密算法的特征属性;将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分;其中,加密算法选择器预先基于样本数据集训练得到;根据待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对待下发5G消息进行加密的目标加密算法。通过上述方式,使得5G消息的加密算法的选择更加灵活,且能够提升选择待下发5G消息的加密算法的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种5G消息加密算法的选择方法、装置及计算设备。
背景技术
5G消息具有富媒体的特点,数据种类更加多样,相较于功能单一的传统短信,5G消息不仅拓宽了信息收发的广度,支持用户使用文本、音视频、卡片、位置等多媒体内容,更延展了交互体验的深度,用户在消息窗口就能完成服务搜索、发现、交互、支付等业务,构建一站式服务的信息窗口。5G消息兼具2C和2B应用的特征,它既能方便用户之间传递语音、图片、视频、卡片、文件等富媒体信息,又支持企业在5G消息平台上以聊天机器人的方式提供交互式服务。5G消息既是对于传统短信的全面升级,又为即将到来的一系列丰富的5G应用提供了入口。人们可以利用5G消息来购物、订餐、订票、订酒店,也可以观看影片、开视频会议、体验VR和在线教育,5G消息将成为人与社会的连接的桥梁。
但是,发明人在实现本发明的过程中发现:5G消息以面向行业应用居多,行业客户的需求也更加多样化,而不同的加密算法对于数据的保护级别会不同,对于传输带宽、网络时延等需求也不尽相同。但是,现有技术中5G消息加密算法通常为运营商预先设置的固定算法,容易产生与实际5G消息需求不匹配、缺乏灵活性等问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的5G消息加密算法的选择方法、装置及计算设备。
根据本发明的一个方面,提供了一种5G消息加密算法的选择方法,包括:
接收针对于待下发5G消息的下发请求,其中,下发请求中携带有待下发5G消息的特征属性;
获取各个加密算法的特征属性;
将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分;其中,加密算法选择器预先基于样本数据集训练得到;
根据待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对待下发5G消息进行加密的目标加密算法。
可选地,筛选出用于对待下发5G消息进行加密的目标加密算法进一步包括:将与待下发5G消息的匹配度得分最高的加密算法确定为目标加密算法。
可选地,方法进一步包括:获取历史待下发5G消息的特征属性;将历史待下发5G消息的特征属性与每一个加密算法的特征属性的匹配度进行标记,得到样本数据集;搭建长短期记忆神经网络模型,根据样本数据集训练得到加密算法选择器。
可选地,长短期记忆神经网络模型包括:用于提取待下发5G消息的特征属性的特征向量的第一分支、用于提取各个加密算法的特征属性的特征向量的第二分支、合并层、全连接层、舍弃层以及输出层;第一分支和第二分支分别包括:一个输入层、两个长短期记忆层以及分别在每一个长短期记忆层之后的一个舍弃层。
可选地,方法进一步包括:分别对待下发5G消息的特征属性以及各个加密算法的特征属性进行独热编码处理;
则将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算进一步包括:将待下发5G消息的特征属性的编码结果与加密算法的特征属性的编码结果输入至加密算法选择器进行计算。
可选地,待下发5G消息的特征属性包括以下中的至少一个:所属应用场景、所属行业客户、所属行业客户的服务等级、是否包含隐私信息、用户账户数据、5G消息用户暂存数据、5G消息用户备份数据、多媒体文件暂存数据、多媒体文件备份数据;加密算法的特征属性包括以下中的至少一个:算法名称、算法类型、安全强度等级。
根据本发明的另一方面,提供了一种5G消息加密算法的选择装置,该装置包括:
接收模块,适于接收针对于待下发5G消息的下发请求,其中,下发请求中携带有待下发5G消息的特征属性;
获取模块,适于获取各个加密算法的特征属性;
计算模块,适于将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分;其中,加密算法选择器预先基于样本数据集训练得到;
筛选模块,适于根据待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对待下发5G消息进行加密的目标加密算法。
可选地,筛选模块进一步用于:
将与待下发5G消息的匹配度得分最高的加密算法确定为目标加密算法。
可选地,装置进一步包括:模型训练模块,适于获取历史待下发5G消息的特征属性;将历史待下发5G消息的特征属性与每一个加密算法的特征属性的匹配度进行标记,得到样本数据集;搭建长短期记忆神经网络模型,根据样本数据集训练得到加密算法选择器。
可选地,长短期记忆神经网络模型包括:用于提取待下发5G消息的特征属性的特征向量的第一分支、用于提取各个加密算法的特征属性的特征向量的第二分支、合并层、全连接层、舍弃层以及输出层;第一分支和第二分支分别包括:一个输入层、两个长短期记忆层以及分别在每一个长短期记忆层之后的一个舍弃层。
可选地,装置进一步包括:编码模块,适于分别对待下发5G消息的特征属性以及各个加密算法的特征属性进行独热编码处理;则计算模块进一步包括:将待下发5G消息的特征属性的编码结果与加密算法的特征属性的编码结果输入至加密算法选择器进行计算。
可选地,待下发5G消息的特征属性包括以下中的至少一个:所属应用场景、所属行业客户、所属行业客户的服务等级、是否包含隐私信息、用户账户数据、5G消息用户暂存数据、5G消息用户备份数据、多媒体文件暂存数据、多媒体文件备份数据;加密算法的特征属性包括以下中的至少一个:算法名称、算法类型、安全强度等级。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述5G消息加密算法的选择方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述5G消息加密算法的选择方法对应的操作。
根据本发明的5G消息加密算法的选择方法、装置及计算设备,方法包括:接收针对于待下发5G消息的下发请求,其中,下发请求中携带有待下发5G消息的特征属性;获取各个加密算法的特征属性;将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分;其中,加密算法选择器预先基于样本数据集训练得到;根据待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对待下发5G消息进行加密的目标加密算法。通过上述方式,使得5G消息的加密算法的选择更加灵活,能够提升选择待下发5G消息的加密算法的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的5G消息加密算法的选择方法的流程图;
图2示出了本发明另一实施例提供的5G消息加密算法的选择方法的流程图;
图3示出了本发明一个实施例中LSTM神经元的示意图;
图4示出了本发明一个实施例中长短期记忆神经网络模型的示意图;
图5示出了本发明实施例提供的5G消息加密算法的选择装置的结构示意图;
图6示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的5G消息加密算法的选择方法的流程图,如图1所示,该方法包括以下步骤:
步骤S110,接收针对于待下发5G消息的下发请求,其中,下发请求中携带有待下发5G消息的特征属性。
步骤S120,获取各个加密算法的特征属性。
步骤S130,将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分。其中,加密算法选择器预先基于样本数据训练得到。
步骤S140,根据待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对待下发5G消息进行加密的目标加密算法。
具体地,将与待下发5G消息的匹配度得分最高的加密算法确定为对待下发5G消息进行加密的目标加密算法。后续过程中,利用筛选出的目标加密算法对待下发5G消息进行加密,将加密后的5G消息存储于平台中。
根据本实施例所提供的5G消息加密算法的选择方法,预先通过深度学习的方式得到加密算法选择器,将待下发5G消息的特征属性和加密算法的特征属性作为加密算法选择器的输入,由加密算法选择器自动学习待下发5G消息的特征属性与加密算法的特征属性之间的匹配度得分,根据匹配度得分最终确定对待下发5G消息进行加密的加密算法,使得5G消息的加密算法的选择更加灵活,且能够提升选择待下发5G消息的加密算法的准确性。
图2示出了本发明另一实施例提供的5G消息加密算法的选择方法的流程图,如图2所示,该方法包括以下步骤:
步骤S210,获取历史待下发5G消息的特征属性与各个加密算法的特征属性。
其中,历史待下发5G消息的特征属性包括:所属应用场景、所属行业客户、所属行业客户的服务等级、是否包含隐私信息以及数据类型,数据类型又包含用户账户数据、5G消息用户暂存数据、5G消息用户备份数据、多媒体文件暂存数据、多媒体文件备份数据等等,表示为可表示为{x1、x2、x3、...、xn},即n个特征属性。
加密算法的特征属性包括:算法名称、算法类型、安全强度等级,算法名称如:AES、DES、RSA、MD5,SHA1,SHA256等等,算法类型如:对称加密、非对称加密、哈希算法,安全强度等级如:高、中,低。可表示为{a1、a2、a3、...、am},即m个特征属性。加密算法并不局限于上述列举的各个算法。
步骤S220,将历史待下发5G消息的特征属性与各个加密算法的特征属性分别进行独热编码。
其中,对于各个加密算法的特征属性,将其进行独热编码处理后,可存储于平台中,以便后续过程中快速地读取。
步骤S230,对历史待下发5G消息的特征属性与每一个加密算法的特征属性之间的匹配度进行标记,根据编码后的历史待下发5G消息的特征属性与编码后的各个加密算法的特征属性及匹配度标记结果形成样本数据集。
步骤S240,搭建长短期记忆神经网络模型,根据样本数据集训练得到加密算法选择器。
LSTM(long short-term memory,长短期记忆)是一种特殊的循环神经网络类型。RNN(recurrent neural network,循环神经网络)是一种有记忆的神经网络,RNN中每个隐藏层的输出都会被存储在缓存中,当下一次该隐藏层有数据输入时,存在缓存中的数据也可以被当作是输入的一部分,在每一个时间点,神经元的输出都会放到缓存中去,在下一个时间点,缓存中的值都会被覆盖掉。而LSTM相比RNN可以学习长期依赖信息,通过控制缓存中的值保存的时间,可以记住长期的信息,适合进行时间序列的预测。
LSTM的每个神经元有四个输入和一个输出,每个神经元内有一个Cell存放记忆的数值。参见图3,图3示出了本发明一个实施例中LSTM神经元的示意图,每一个LSTM神经元中含有三个门控:遗忘门、输入门、输出门,LSTM神经元的公式如下:
其中,公式(1)代表了遗忘门,在公式(2)、(3)中新的信息被添加进来,公式(4)融合了新信息和旧信息,公式(5)、(6)输出目前LSTM单元已学习到的关于下一个时间戳的信息。长短期记忆神经网络在长时间序列的学习上具有较好的效果,LSTM单元内每条连接线上含有相应的权重,xt代表输入向量,ht代表隐藏状态,Ct代表t时刻的神经元状态,W为可训练的权重矩阵,b为偏置向量。
搭建长短期记忆神经网络模型,该模型包括:用于提取待下发5G消息的特征属性的特征向量的第一分支、用于提取各个加密算法的特征属性的特征向量的第二分支、合并层、全连接层、舍弃层以及输出层;第一分支和第二分支分别包括:一个输入层、两个长短期记忆层以及分别在每一个长短期记忆层之后的一个舍弃层。
具体参见图4,图4示出了本发明一个实施例中长短期记忆神经网络模型的示意图。第一分支中包括按照如下顺序排列的各个层:输入层、长短期记忆层、舍弃层、长短期记忆层、舍弃层,该输入层用于输入5G消息的特征属性;第一个长短期记忆层设置有64个LSTM神经元,第一个长短期记忆层设置有32个LSTM神经元,激活函数设置为“relu”;舍弃层是指以概率p舍弃神经元并让其它神经元以概率q=1-p保留,例如设置舍弃概率=0.2,即随机忽略20%的神经元,使其失效,本实施例的方式中通过在每一个长短期记忆层后面都引入一个舍弃层,能够有效避免过拟合。第二分支的各个层类似,在此不进行赘述。第一分支用于提取待下发5G消息的特征属性的特征向量,第二分支用于提取加密算法的特征属性的特征向量。
合并层:用于将两类数据的特征向量按列维度进行拼接。
输出层:包含有1个Dense神经元,激活函数设为“relu”,最终逐一输出该待下发5G消息与加密算法的匹配度得分。
具体实施时,模型将训练1000个回合(即epochs=1000),批处理大小设置为10(epochs=1000),选择平均绝对值误差MSE作为损失函数(loss=“mse”),计算预测的匹配度得分和标记的匹配度评分之间的误差,训练目标是最小化该误差。损失函数的公式如下:
梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer=“adam”)。神经网络通过梯度下降,可以找到使目标函数最小的最优权重值,随着训练回合数的增加,训练误差也逐渐下降,模型逐渐收敛。离线训练完成后,将计算得出的神经网络权重导出。
步骤S250,接收针对于待下发5G消息的下发请求。其中,下发请求中携带有所述待下发5G消息的特征属性。
同样地,待下发5G消息的特征属性包括:所属应用场景、所属行业客户、所属行业客户的服务等级、是否包含隐私信息以及数据类型,数据类型又包含用户账户数据、5G消息用户暂存数据、5G消息用户备份数据、多媒体文件暂存数据、多媒体文件备份数据等等。加密算法的特征属性包括:算法名称、算法类型、安全强度等级等等。
步骤S260,分别对待下发5G消息的特征属性。
步骤S270,将待下发5G消息的特征属性的编码结果分别与每一个加密算法的特征属性的编码结果成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分。
具体地,将待下发5G消息的特征属性的编码结果与每一个加密算法的特征属性的编码结果逐一成对,并将每一对编码结果输入至相应的分支中,分值中抽取中两个编码结果的特征向量,再利用合并层、全连接层和舍弃层提取合并连个输入的特征向量,自动抽取出两两之间的匹配关系,最终逐一输出该待下发5G消息与每一个加密算法的匹配度得分。
步骤S280,将与待下发5G消息的匹配度得分最高的加密算法确定为目标加密算法。
最终,将与待下发5G消息的匹配度得分最高的加密算法确定为对待下发5G消息进行加密的加密算法。
本实施例的方法可应用于5G消息开放平台,5G消息开放平台能够帮助行业客户按需实现多场景的代理服务商对A2P(Agent service to Production of consumer,生产消费者)模式的沟通,企业可通过平台快速完成消息应用的部署,无需进行复杂的代码开发,帮助行业客户简单便捷的创建自己的5G消息应用。
其中,面向行业客户,5G消息提供增强的个人与应用间消息服务,实现消息即服务,并且引入了新的消息交互模式——Chatbot聊天机器人,可以在消息窗口直观便捷地享受缴费充值、票务订购、酒店预订、物流查询、餐饮订座、外卖下单等各类5G应用服务。其中Chatbot是一种行业客户向终端用户提供的以对话形式呈现的服务,该服务通常基于人工智能软件,模拟人类智能对话,向用户提供特定服务功能。
根据本实施例所提供的5G消息加密算法的选择方法,向5G消息应用开放平台发起下发5G行业消息请求,请求消息中携带该待下发5G消息特征属性;获取每个加密算法的特征属性;将该请求消息中携带的该待下发5G消息特征属性和每个加密算法的特征属性进行属性独热编码;经独热编码后发送至由预训练完毕的多分支长短期记忆神经网络构成的5G消息加密算法选择器;加密算法选择器逐一预测该待发送5G消息数据与每一个加密算法的匹配度得分;取匹配度得分最高的加密算法作为该待下发5G消息的加密算法,并对该待下发5G消息实施加密后存储于平台中。上述方式通过机器学习的方式训练加密算法选择器,将待下发5G消息的特征属性和每一个加密算法的特征属性作为加密算法选择器的输入,以便加密算法选择器预测待下发5G消息与每一个加密算法之间的匹配度,从而能够为用户提供最合适其5G消息数据的加密算法,提升5G消息加密算法选择的准确性。
图5示出了本发明实施例提供的5G消息加密算法的选择装置的结构示意图,如图5所示,该装置包括:
接收模块51,适于接收针对于待下发5G消息的下发请求,其中,下发请求中携带有待下发5G消息的特征属性;
获取模块52,适于获取各个加密算法的特征属性;
计算模块53,适于将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分;其中,加密算法选择器预先基于样本数据集训练得到;
筛选模块54,适于根据待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对待下发5G消息进行加密的目标加密算法。
在一种可选的方式中,筛选模块54进一步用于:
将与待下发5G消息的匹配度得分最高的加密算法确定为目标加密算法。
在一种可选的方式中,装置进一步包括:
模型训练模块,适于获取历史待下发5G消息的特征属性;将历史待下发5G消息的特征属性与每一个加密算法的特征属性的匹配度进行标记,得到样本数据集;搭建长短期记忆神经网络模型,根据样本数据集训练得到加密算法选择器。
在一种可选的方式中,长短期记忆神经网络模型包括:用于提取待下发5G消息的特征属性的特征向量的第一分支、用于提取各个加密算法的特征属性的特征向量的第二分支、合并层、全连接层、舍弃层以及输出层;
第一分支和第二分支分别包括:一个输入层、两个长短期记忆层以及分别在每一个长短期记忆层之后的一个舍弃层。
在一种可选的方式中,装置进一步包括:
编码模块,适于分别对待下发5G消息的特征属性以及各个加密算法的特征属性进行独热编码处理;
则计算模块53进一步包括:
将待下发5G消息的特征属性的编码结果与加密算法的特征属性的编码结果输入至加密算法选择器进行计算。
在一种可选的方式中,待下发5G消息的特征属性包括以下中的至少一个:所属应用场景、所属行业客户、所属行业客户的服务等级、是否包含隐私信息、用户账户数据、5G消息用户暂存数据、5G消息用户备份数据、多媒体文件暂存数据、多媒体文件备份数据;加密算法的特征属性包括以下中的至少一个:算法名称、算法类型、安全强度等级。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的5G消息加密算法的选择方法。
可执行指令具体可以用于使得处理器执行以下操作:
接收针对于待下发5G消息的下发请求,其中,下发请求中携带有待下发5G消息的特征属性;
获取各个加密算法的特征属性;
将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分;其中,加密算法选择器预先基于样本数据集训练得到;
根据待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对待下发5G消息进行加密的目标加密算法。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将与待下发5G消息的匹配度得分最高的加密算法确定为目标加密算法。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取历史待下发5G消息的特征属性;
将历史待下发5G消息的特征属性与每一个加密算法的特征属性的匹配度进行标记,得到样本数据集;
搭建长短期记忆神经网络模型,根据样本数据集训练得到加密算法选择器。
在一种可选的方式中,长短期记忆神经网络模型包括:用于提取待下发5G消息的特征属性的特征向量的第一分支、用于提取各个加密算法的特征属性的特征向量的第二分支、合并层、全连接层、舍弃层以及输出层;第一分支和第二分支分别包括:一个输入层、两个长短期记忆层以及分别在每一个长短期记忆层之后的一个舍弃层。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:分别对待下发5G消息的特征属性以及各个加密算法的特征属性进行独热编码处理;将待下发5G消息的特征属性的编码结果与加密算法的特征属性的编码结果输入至加密算法选择器进行计算。
在一种可选的方式中,待下发5G消息的特征属性包括以下中的至少一个:所属应用场景、所属行业客户、所属行业客户的服务等级、是否包含隐私信息、用户账户数据、5G消息用户暂存数据、5G消息用户备份数据、多媒体文件暂存数据、多媒体文件备份数据;加密算法的特征属性包括以下中的至少一个:算法名称、算法类型、安全强度等级。
图6示出了本发明计算设备实施例的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图6所示,该计算设备可以包括:处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中:处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604,用于与其它设备比如客户端或其它服务器等的网元通信。处理器602,用于执行程序610,具体可以执行上述用于计算设备的5G消息加密算法的选择方法实施例中的相关步骤。
具体地,程序610可以包括程序代码,该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器606,用于存放程序610。存储器606可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行以下操作:
接收针对于待下发5G消息的下发请求,其中,下发请求中携带有待下发5G消息的特征属性;
获取各个加密算法的特征属性;
将待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到待下发5G消息与每一个加密算法的匹配度得分;其中,加密算法选择器预先基于样本数据集训练得到;
根据待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对待下发5G消息进行加密的目标加密算法。
在一种可选的方式中,所述程序610使所述处理器602执行以下操作:
将与待下发5G消息的匹配度得分最高的加密算法确定为目标加密算法。
在一种可选的方式中,所述程序610使所述处理器602执行以下操作:
获取历史待下发5G消息的特征属性;
将历史待下发5G消息的特征属性与每一个加密算法的特征属性的匹配度进行标记,得到样本数据集;
搭建长短期记忆神经网络模型,根据样本数据集训练得到加密算法选择器。
在一种可选的方式中,长短期记忆神经网络模型包括:用于提取待下发5G消息的特征属性的特征向量的第一分支、用于提取各个加密算法的特征属性的特征向量的第二分支、合并层、全连接层、舍弃层以及输出层;第一分支和第二分支分别包括:一个输入层、两个长短期记忆层以及分别在每一个长短期记忆层之后的一个舍弃层。
在一种可选的方式中,所述程序610使所述处理器602执行以下操作:
分别对待下发5G消息的特征属性以及各个加密算法的特征属性进行独热编码处理;将待下发5G消息的特征属性的编码结果与加密算法的特征属性的编码结果输入至加密算法选择器进行计算。
在一种可选的方式中,待下发5G消息的特征属性包括以下中的至少一个:所属应用场景、所属行业客户、所属行业客户的服务等级、是否包含隐私信息、用户账户数据、5G消息用户暂存数据、5G消息用户备份数据、多媒体文件暂存数据、多媒体文件备份数据;
加密算法的特征属性包括以下中的至少一个:算法名称、算法类型、安全强度等级。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种5G消息加密算法的选择方法,包括:
接收针对于待下发5G消息的下发请求,其中,所述下发请求中携带有所述待下发5G消息的特征属性;
获取各个加密算法的特征属性;
将所述待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到所述待下发5G消息与每一个加密算法的匹配度得分;其中,所述加密算法选择器预先基于样本数据集训练得到;
根据所述待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对所述待下发5G消息进行加密的目标加密算法。
2.根据权利要求1所述的方法,其中,所述筛选出用于对所述待下发5G消息进行加密的目标加密算法进一步包括:
将与所述待下发5G消息的匹配度得分最高的加密算法确定为目标加密算法。
3.根据权利要求1所述的方法,其中,所述方法进一步包括:
获取历史待下发5G消息的特征属性;
将所述历史待下发5G消息的特征属性与每一个加密算法的特征属性的匹配度进行标记,得到所述样本数据集;
搭建长短期记忆神经网络模型,根据所述样本数据集训练得到所述加密算法选择器。
4.根据权利要求1所述的方法,其中,所述长短期记忆神经网络模型包括:用于提取所述待下发5G消息的特征属性的特征向量的第一分支、用于提取各个加密算法的特征属性的特征向量的第二分支、合并层、全连接层、舍弃层以及输出层;
所述第一分支和所述第二分支分别包括:一个输入层、两个长短期记忆层以及分别在每一个长短期记忆层之后的一个舍弃层。
5.根据权利要求1-4中任一项所述的方法,其中,所述方法进一步包括:
分别对所述待下发5G消息的特征属性以及所述各个加密算法的特征属性进行独热编码处理;
则所述将所述待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算进一步包括:
将所述待下发5G消息的特征属性的编码结果与加密算法的特征属性的编码结果输入至加密算法选择器进行计算。
6.根据权利要求1-4中任一项所述的方法,其中,所述待下发5G消息的特征属性包括以下中的至少一个:所属应用场景、所属行业客户、所属行业客户的服务等级、是否包含隐私信息、用户账户数据、5G消息用户暂存数据、5G消息用户备份数据、多媒体文件暂存数据、多媒体文件备份数据;
所述加密算法的特征属性包括以下中的至少一个:算法名称、算法类型、安全强度等级。
7.一种5G消息加密算法的选择装置,包括:
接收模块,适于接收针对于待下发5G消息的下发请求,其中,所述下发请求中携带有所述待下发5G消息的特征属性;
获取模块,适于获取各个加密算法的特征属性;
计算模块,适于将所述待下发5G消息的特征属性分别与每一个加密算法的特征属性成对输入至加密算法选择器进行计算,得到所述待下发5G消息与每一个加密算法的匹配度得分;其中,所述加密算法选择器预先基于样本数据集训练得到;
筛选模块,适于根据所述待下发5G消息与每一个加密算法的匹配度得分,筛选出用于对所述待下发5G消息进行加密的目标加密算法。
8.根据权利要求7所述的装置,其中,所述装置进一步包括:
模型训练模块,适于获取历史待下发5G消息的特征属性;将所述历史待下发5G消息的特征属性与每一个加密算法的特征属性的匹配度进行标记,得到所述样本数据集;搭建长短期记忆神经网络模型,根据所述样本数据集训练得到所述加密算法选择器。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的5G消息加密算法的选择方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-6中任一项所述的5G消息加密算法的选择方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110821134.XA CN115706940A (zh) | 2021-07-20 | 2021-07-20 | 5g消息加密算法的选择方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110821134.XA CN115706940A (zh) | 2021-07-20 | 2021-07-20 | 5g消息加密算法的选择方法、装置及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115706940A true CN115706940A (zh) | 2023-02-17 |
Family
ID=85178339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110821134.XA Pending CN115706940A (zh) | 2021-07-20 | 2021-07-20 | 5g消息加密算法的选择方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115706940A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116456289A (zh) * | 2023-06-13 | 2023-07-18 | 安徽创瑞信息技术有限公司 | 一种富媒体信息处理方法及*** |
-
2021
- 2021-07-20 CN CN202110821134.XA patent/CN115706940A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116456289A (zh) * | 2023-06-13 | 2023-07-18 | 安徽创瑞信息技术有限公司 | 一种富媒体信息处理方法及*** |
CN116456289B (zh) * | 2023-06-13 | 2023-08-15 | 安徽创瑞信息技术有限公司 | 一种富媒体信息处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959396B (zh) | 机器阅读模型训练方法及装置、问答方法及装置 | |
CN110520871B (zh) | 使用学习进度测量训练机器学习模型 | |
CN109947919B (zh) | 用于生成文本匹配模型的方法和装置 | |
CN110728298A (zh) | 多任务分类模型训练方法、多任务分类方法及装置 | |
CN110234018B (zh) | 多媒体内容描述生成方法、训练方法、装置、设备及介质 | |
EP3885966B1 (en) | Method and device for generating natural language description information | |
CN111625645B (zh) | 文本生成模型的训练方法、装置和电子设备 | |
CN110489574A (zh) | 一种多媒体信息推荐方法、装置和相关设备 | |
CN111597446A (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN115062606B (zh) | 对话数据分析及其模型训练方法、及电子设备 | |
EP3732632A1 (en) | Neural network training using the soft nearest neighbor loss | |
CN110992127B (zh) | 一种物品推荐方法及装置 | |
CN114821401A (zh) | 视频审核方法、装置、设备、存储介质及程序产品 | |
CN111695041A (zh) | 用于推荐信息的方法和装置 | |
WO2023029350A1 (zh) | 基于点击行为预测的信息推送方法及装置 | |
CN115706940A (zh) | 5g消息加密算法的选择方法、装置及计算设备 | |
CN114372191A (zh) | 消息行业应用模板推荐方法、装置及计算设备 | |
CN112182281A (zh) | 一种音频推荐方法、装置及存储介质 | |
CN112446214A (zh) | 广告关键词的生成方法、装置、设备及存储介质 | |
CN117131270A (zh) | 内容生成方法和*** | |
CN112989177A (zh) | 信息处理方法、装置、电子设备及计算机存储介质 | |
CN116775815B (zh) | 对话数据的处理方法、装置、电子设备及存储介质 | |
CN111784377B (zh) | 用于生成信息的方法和装置 | |
CN112328779A (zh) | 训练样本构建方法、装置、终端设备及存储介质 | |
CN113554450A (zh) | 数据模型训练及数据处理方法、装置、设备及存储介质 |
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 |