CN116702069B - 一种基于状态感知的介质销毁的方法 - Google Patents
一种基于状态感知的介质销毁的方法 Download PDFInfo
- Publication number
- CN116702069B CN116702069B CN202310989246.5A CN202310989246A CN116702069B CN 116702069 B CN116702069 B CN 116702069B CN 202310989246 A CN202310989246 A CN 202310989246A CN 116702069 B CN116702069 B CN 116702069B
- Authority
- CN
- China
- Prior art keywords
- destroying
- data
- medium
- destroyed
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 230000006378 damage Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003909 pattern recognition Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000002932 luster Substances 0.000 claims description 2
- 238000000197 pyrolysis Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000003301 hydrolyzing effect Effects 0.000 claims 1
- 230000001590 oxidative effect Effects 0.000 claims 1
- 230000001603 reducing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 239000000969 carrier Substances 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000003631 expected effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
- B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
- B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
- B09B3/40—Destroying solid waste or transforming solid waste into something useful or harmless involving thermal treatment, e.g. evaporation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
- B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
- B09B3/70—Chemical treatment, e.g. pH adjustment or oxidation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G7/00—Incinerators or other apparatus for consuming industrial waste, e.g. chemicals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
- G06V30/18019—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by matching or filtering
- G06V30/18038—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters
- G06V30/18048—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters with interaction between the responses of different filters, e.g. cortical complex cells
- G06V30/18057—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
- B09B2101/00—Type of solid waste
- B09B2101/15—Electronic waste
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Toxicology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及销毁介质技术领域，具体涉及一种基于状态感知的介质销毁的方法，包括以下步骤：采集待销毁介质的各项物理状态参数，该参数包括温度、湿度、压力；利用图形识别技术对待销毁介质的图形数据进行读取和分析；基于所述物理状态参数和图形数据，确定待销毁介质的销毁方式和销毁程度；依据所确定的销毁方式和销毁程度，实施销毁操作；销毁操作结束后，对销毁后的残余物进行检测，以验证销毁操作的完成情况。本发明，通过动态读取并分析待销毁介质的物理状态参数以及图形数据，可以根据具体情况智能地选择最适合的销毁方式和程度，既增强了销毁效率，又确保了销毁效果的可靠性，显著提升了数据安全保障的能力。
Description
技术领域
本发明涉及销毁介质技术领域，尤其涉及一种基于状态感知的介质销毁的方法。
背景技术
在数据安全领域，数据载体的销毁工作具有重要的意义，一般而言，数据载体（包括纸质文件、光盘、磁带、硬盘等）在使用完毕或损坏后，为了防止其中包含的敏感信息被非法获取和利用，需要对其进行有效的销毁，传统的数据载体销毁方式主要依赖于人工操作，如人工撕碎纸张、磁带或光盘，或是使用特殊的销毁设备对硬盘进行物理撞击，然而，这些传统方式存在很多问题，首先，人工操作效率低，而且可能由于疏忽导致销毁不彻底，其次，单一的销毁方式可能无法适应各种不同类型的数据载体，也无法灵活调整销毁程度。
在此背景下，一种基于状态感知的数据载体销毁方法应运而生，此类方法通过读取和分析数据载体的物理状态参数（如温度、湿度、压力等）以及图形数据，然后根据分析结果自动决定销毁方式和程度，此类方法主要利用决策树、卷积神经网络等机器学习技术实现智能决策，然而，当前基于状态感知的数据载体销毁方法还存在很多问题，例如，目前的方法在处理图形数据时，常常忽视了图形数据的特征提取和分类，导致销毁决策的准确性不高，另外，当前的方法在销毁操作结束后，常常忽视了对销毁后的残余物进行检测，导致无法确保每次销毁操作都能达到预期效果。
因此，急需一种新的基于状态感知的数据载体销毁方法，能够有效解决上述问题，提高数据载体销毁工作的效率和准确性，同时确保销毁操作的可靠性和安全性。
发明内容
基于上述目的，本发明提供了一种基于状态感知的介质销毁的方法。
一种基于状态感知的介质销毁的方法，包括以下步骤：
步骤一：采集待销毁介质的各项物理状态参数，该参数包括温度、湿度、压力；
步骤二：利用图形识别技术对待销毁介质的图形数据进行读取和分析；
步骤三：基于所述物理状态参数和图形数据，确定待销毁介质的销毁方式和销毁程度；
步骤四：依据所确定的销毁方式和销毁程度，实施销毁操作；
步骤五：销毁操作结束后，对销毁后的残余物进行检测，以验证销毁操作的完成情况；
其中，所述销毁方式包括物理销毁、化学销毁或热能销毁。
进一步的，所述步骤一中的采集待销毁介质的各项物理状态参数具体步骤包括：
使用传感器设备对待销毁介质进行实时监控，其中，传感器设备包括温度传感器、湿度传感器、压力传感器；
将采集到的物理状态参数传输给数据处理模块，数据处理模块将其转换为可读取、分析的电信号，其中，传感器设备分布在待销毁介质的各个部位，以便全面获取介质的状态信息，所述数据处理模块具备数据清洗功能，准确抽取各项物理状态参数，为决策提供准确的数据支持。
进一步的，所述数据处理模块内置有人工智能算法，该人工智能算法通过对历史数据进行学习和训练，提高其识别和分析物理状态参数和图形数据的能力，所述数据处理模块还包括用于数据预处理的预处理子模块，处理方式包括数据清洗、数据整合、数据变换。
进一步的，所述人工智能算法采用决策树算法，具体为：决策树根据以下公式进行训练：
对于训练数据集D，其熵（Entropy）定义为：
其中，p_k是第k类样本在D中出现的概率；
我们选择A作为最优划分属性，即在属性A的条件下，D的信息增益最大：
其中，E(D|A)表示在属性A的条件下，D的条件熵，计算公式为：
其中，
|D^v|表示D中在属性A上取第v个值的样本子集的样本数，V是A的可能取值数；
训练数据集D：包含介质的如温度、湿度、压力的物理状态参数以及图形数据的读取结果、对应的销毁方式和程度；
p_k：第k种销毁方式在训练数据集D中出现的概率；
E(D)：训练数据集D的熵，表示D的不确定性或混乱程度；
A：选择的用于划分训练数据集D的属性，包括介质的任何物理状态参数或图形数据的任何特征；
g(D,A)：属性A对训练数据集D的信息增益；
E(D|A)：基于属性A的值，训练数据集D的条件熵，表示在此条件下，D的不确定性；
V：属性A的可能取值数。
进一步的，所述步骤二中的图形识别技术基于卷积神经网络（ConvolutionalNeural Networks, CNN），通过多层的卷积、池化操作提取出图形数据的高级特征，用于对图形数据进行高效准确的分类或识别，具体为：使用CNN来识别图形数据中的特定符号、文字或图像，辅助决定销毁介质的方式和程度。
进一步的，基于所述图形识别技术，待销毁介质的识别步骤包括预处理、特征提取、分类判断和反馈四个步骤，
预处理步骤中，通过调整图像大小、增强对比度以及去除噪声改进图形数据的质量；
特征提取步骤使用CNN来自动识别并提取图形数据中的关键特征；
分类判断步骤中，基于上述步骤提取的特征对图形数据进行分类，识别是否包含敏感信息的特定符号、文字或图像；
反馈步骤中，将分类判断的结果反馈给数据处理模块，结合物理状态参数决定销毁方式和程度。
进一步的，所述物理销毁方式包括破碎、切割、撕裂方式；所述化学销毁方式包括氧化、还原、水解方式；所述热能销毁方式包括燃烧、热解、高温蒸汽处理。
进一步的，所述销毁程度包括完全销毁、部分销毁，所述部分销毁根据图形数据中包含的特定信息进行。
进一步的，所述步骤五中的检测操作包括物理检测、化学分析、光学检测，其中，
物理检测包括对残余物的重量、体积、颗粒大小进行测量；
化学分析包括对残余物的成分、pH值、化学性质进行分析；
光学检测包括对残余物的颜色、光泽、透明度进行观察。
进一步的，所述待销毁介质包括含有敏感信息的纸质文件、光盘、硬盘或其他存储设备。
本发明的有益效果：
本发明，通过动态读取并分析待销毁介质的物理状态参数以及图形数据，可以根据具体情况智能地选择最适合的销毁方式和程度，既增强了销毁效率，又确保了销毁效果的可靠性，显著提升了数据安全保障的能力，引入了决策树算法和神经网络技术，使得销毁方式和程度的决定更为科学和准确，特别是在处理图形数据时，通过自动提取特征，提高了图形数据的识别精度，为销毁决策提供了更为准确的依据。
本发明，在销毁操作结束后，对销毁后的残余物进行检测，可以及时验证销毁操作的完成情况，保证每次销毁都能达到预期效果，进一步提高了***的可靠性和安全性，根据实际的销毁效果调整和优化计算模型，使得***具有更高的智能化水平，能够适应更复杂和多变的销毁需求，提供了一种新颖、有效且安全的数据载体销毁方法。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，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的附图。
图1为本发明实施例的销毁方法流程示意图；
图2为本发明实施例的图形识别技术示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例1
如图1-图2所示，一种基于状态感知的介质销毁的方法，包括以下步骤：
步骤一：采集待销毁介质的各项物理状态参数，该参数包括温度、湿度、压力；
步骤二：利用图形识别技术对待销毁介质的图形数据进行读取和分析；
步骤三：基于所述物理状态参数和图形数据，确定待销毁介质的销毁方式和销毁程度；
步骤四：依据所确定的销毁方式和销毁程度，实施销毁操作；
步骤五：销毁操作结束后，对销毁后的残余物进行检测，以验证销毁操作的完成情况。
所述步骤一中的采集待销毁介质的各项物理状态参数具体步骤包括：
使用传感器设备对待销毁介质进行实时监控，其中，传感器设备包括温度传感器、湿度传感器、压力传感器；
将采集到的物理状态参数传输给数据处理模块，数据处理模块将其转换为可读取、分析的电信号，其中，传感器设备分布在待销毁介质的各个部位，以便全面获取介质的状态信息，所述数据处理模块可以是单独的硬件设备，也可以是集成在其他设备中的软件模块，在所述传输过程中，可以采用有线或无线的方式，也可以采用加密技术来保护传输数据的安全，所述数据处理模块具备数据清洗功能，准确抽取各项物理状态参数，为决策提供准确的数据支持。
所述数据处理模块内置有人工智能算法，该人工智能算法通过对历史数据进行学习和训练，提高其识别和分析物理状态参数和图形数据的能力，所述数据处理模块还包括用于数据预处理的预处理子模块，处理方式包括数据清洗、数据整合、数据变换，人工智能算法还可以根据实时反馈调整模型参数，以实现动态优化，该计算设备可以根据实际需要选择适当的运算能力，包括但不限于GPU、TPU，以确保处理速度和精度，在人工智能算法处理数据时，还可以采用多线程、多任务并行处理等技术，以提高数据处理效率。
所述人工智能算法采用决策树算法，具体为：决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最终的每个叶节点代表一种决策结果。在本发明中，决策树可以被用于分析物理状态参数和图形数据，并根据此信息决定销毁方式和程度。
具体来说，决策树根据以下公式进行训练：
对于训练数据集D，其熵（Entropy）定义为：
其中，p_k是第k类样本在D中出现的概率；
我们选择A作为最优划分属性，即在属性A的条件下，D的信息增益最大：
其中，E(D|A)表示在属性A的条件下，D的条件熵，计算公式为：
其中，
|D^v|表示D中在属性A上取第v个值的样本子集的样本数，V是A的可能取值数；
训练数据集D：包含介质的如温度、湿度、压力的物理状态参数以及图形数据的读取结果、对应的销毁方式和程度（完全销毁或部分销毁）；
p_k：第k种销毁方式在训练数据集D中出现的概率，例如，如果我们有两种销毁方式，即完全销毁和部分销毁，那么p_1和p_2可能分别代表在所有训练样本中完全销毁和部分销毁的概率；
E(D)：训练数据集D的熵，表示D的不确定性或混乱程度，在我们的介质销毁方案中，如果所有的训练样本都选择同一种销毁方式，那么E(D)将为0，表示没有不确定性，如果每种销毁方式的选择概率都相等，那么E(D)将达到最大值，表示不确定性最大；
A：选择的用于划分训练数据集D的属性，包括介质的任何物理状态参数或图形数据的任何特征；
g(D,A)：属性A对训练数据集D的信息增益，表示在知道属性A的值后，D的不确定性减少了多少，我们选择信息增益最大的属性作为最优划分属性；
E(D|A)：基于属性A的值，训练数据集D的条件熵，表示在此条件下，D的不确定性；
V：属性A的可能取值数，例如，如果A代表介质的温度，且我们将温度分为"低"、"中"和"高"三个等级，那么V就等于3；
重复此过程，直到满足停止条件，例如所有属性都已被使用，或所有样本都属于同一类别；
在介质销毁的决策过程中，例如，我们可以选择待销毁介质的物理状态参数和图形数据作为输入属性，销毁方式和程度作为分类标签，通过训练得到决策树模型。在实际决策过程中，我们可以根据待销毁介质的实际物理状态参数和图形数据，通过决策树模型进行判断，得出销毁方式和程度的决策结果。
所述步骤二中的图形识别技术基于卷积神经网络（Convolutional NeuralNetworks, CNN），CNN在处理图形数据中表现出优越的性能，通过多层的卷积、池化操作提取出图形数据的高级特征，用于对图形数据进行高效准确的分类或识别，具体为：使用CNN来识别图形数据中的特定符号、文字或图像，辅助决定销毁介质的方式和程度，此外，该CNN模型可以采用迁移学习的方式进行预训练，如使用在大量图像数据集（如ImageNet）上训练过的模型，这将大大提升模型训练的效率和识别的准确度。在使用过程中，该CNN模型还可以根据新的图形数据进行在线学习，动态优化模型参数，以应对各种复杂多变的图形数据。
基于所述图形识别技术，待销毁介质的识别步骤包括预处理、特征提取、分类判断和反馈四个步骤，
预处理步骤中，通过调整图像大小、增强对比度以及去除噪声改进图形数据的质量；
特征提取步骤使用CNN来自动识别并提取图形数据中的关键特征；
分类判断步骤中，基于上述步骤提取的特征对图形数据进行分类，识别是否包含敏感信息的特定符号、文字或图像；
反馈步骤中，将分类判断的结果反馈给数据处理模块，结合物理状态参数决定销毁方式和程度；
在这四个步骤中，图形识别技术都可以应用深度学习和其他机器学习算法，以提高识别的准确度和处理的效率。
所述销毁程度包括完全销毁、部分销毁，所述部分销毁根据图形数据中包含的特定信息进行，例如，如果图形数据中包含了对特定部分敏感信息的标记，那么可以只销毁这些部分，而保留其他部分，或者，如果图形数据表示的信息对待销毁介质的重要性低，那么可以选择部分销毁，在销毁程度的决定中，可以利用上述的决策树算法，结合待销毁介质的物理状态参数和图形数据，来动态决定销毁的程度，例如，我们可以将销毁程度设定为决策树的分类标签，物理状态参数和图形数据作为输入，通过训练得到决策树模型，在实际决策过程中，我们可以根据待销毁介质的实际物理状态参数和图形数据，通过决策树模型进行判断，得出销毁程度的决策结果。
所述步骤五中的检测操作包括物理检测、化学分析、光学检测，其中，
物理检测包括对残余物的重量、体积、颗粒大小进行测量；
化学分析包括对残余物的成分、pH值、化学性质进行分析；
光学检测包括对残余物的颜色、光泽、透明度等进行观察，若检测结果显示销毁后的残余物满足预设的标准，则认为销毁操作已完成，否则，将根据检测结果调整销毁方式和程度，并重新进行销毁操作，此检测操作可以确保每次销毁操作都能达到预期的效果，提高销毁操作的可靠性和安全性，此外，该检测操作也可以为***提供反馈信息，帮助优化决策树模型和CNN模型，进一步提高***的智能化水平。
本实施例基于物理方式进行数据载体销毁
在本实施例中，待销毁介质是一张包含敏感信息的纸质文件，首先，读取并分析文件的物理状态参数，如纸张的厚度、硬度等，同时通过图像识别技术对文件上的图形数据进行识别和分析，例如判断文件上是否包含有特定的敏感信息标记，接下来，根据物理状态参数和图形数据的分析结果，利用决策树算法决定采用物理方式进行销毁，例如使用高速切割机将纸张切割成细小的碎片，在销毁结束后，对残余的碎片进行检测，如通过观察碎片的大小和形状来验证销毁的彻底性，如果检测结果满足预设的标准，则认为销毁操作已完成；否则，根据检测结果调整销毁方式或程度，并重新进行销毁操作。
实施例2：基于化学方式的数据载体销毁
在该实施例中，待销毁介质是一张包含敏感信息的塑料卡片，首先，读取并分析卡片的物理状态参数，如塑料的类型、硬度等，同时通过图像识别技术对卡片上的图形数据进行识别和分析，例如判断卡片上是否包含有特定的敏感信息标记，接下来，根据物理状态参数和图形数据的分析结果，利用决策树算法决定采用化学方式进行销毁，例如使用适合该种塑料的溶剂进行溶解。在销毁结束后，对残余的溶液进行检测，如通过化学分析来验证销毁的彻底性。如果检测结果满足预设的标准，则认为销毁操作已完成；否则，根据检测结果调整销毁方式或程度，并重新进行销毁操作。
实施例3：基于热能方式的数据载体销毁
在该实施例中，待销毁介质是一块包含敏感信息的硬盘，首先，读取并分析硬盘的物理状态参数，如硬盘的材质、大小等，同时通过图像识别技术对硬盘上的图形数据进行识别和分析，例如判断硬盘上是否包含有特定的敏感信息标记，接下来，根据物理状态参数和图形数据的分析结果，利用决策树算法决定采用热能方式进行销毁，在决定采用热能方式进行销毁之后，如使用高温炉进行熔化。这一步骤会对硬盘进行高温处理，使其材质熔化，彻底销毁硬盘内的所有数据。在销毁结束后，对残余的熔融物进行检测，例如通过观察熔融物的物理状态和化学性质来验证销毁的彻底性。这可以通过对熔融物进行冷却后，对其进行硬度、颜色、化学成分等方面的检测。如果检测结果满足预设的标准，则认为销毁操作已完成；否则，根据检测结果调整销毁方式或程度，并重新进行销毁操作，例如，如果检测到硬盘的某些部分未能完全熔化，可能需要增加熔化的温度或延长熔化的时间。
通过以上实施例，我们可以看到，本发明提出的一种基于状态感知的介质销毁方法能够灵活应对不同类型的待销毁介质，实现高效、准确且安全的销毁操作。无论是物理方式、化学方式，还是热能方式，都可以根据具体情况进行精细的调整和控制，以达到最佳的销毁效果。
为了评估本发明提出的一种基于状态感知的介质销毁方法的效果，进行了一系列的实验，并且将结果进行了比较和分析，以下是实验数据表：
从实验数据表中可以看出，无论是纸质文件、塑料卡片还是硬盘，本发明提出的一种基于状态感知的介质销毁方法都能够成功地将其销毁，并且销毁后的检测结果均满足预设的标准，证明销毁操作的完成情况。这说明本发明能够有效地识别待销毁介质的状态，根据其状态参数和图形数据智能地选择合适的销毁方式，同时通过销毁后的检测验证销毁的彻底性，从而保证数据的安全性。因此，本发明提供了一种高效、准确且安全的数据载体销毁方法。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于状态感知的介质销毁的方法，其特征在于，包括以下步骤：
步骤一：采集待销毁介质的各项物理状态参数，该参数包括温度、湿度、压力；
步骤二：利用图形识别技术对待销毁介质的图形数据进行读取和分析；
步骤三：基于所述物理状态参数和图形数据，确定待销毁介质的销毁方式和销毁程度；
步骤四：依据所确定的销毁方式和销毁程度，实施销毁操作；
步骤五：销毁操作结束后，对销毁后的残余物进行检测，以验证销毁操作的完成情况；
其中，所述销毁方式包括物理销毁方式、化学销毁方式或热能销毁方式；
所述步骤二中的图形识别技术基于卷积神经网络，通过多层的卷积、池化操作提取出图形数据的高级特征，用于对图形数据进行高效准确的分类或识别，具体为：使用CNN来识别图形数据中的特定符号、文字或图像，辅助决定销毁介质的方式和程度；
基于所述图形识别技术，待销毁介质的识别步骤包括预处理、特征提取、分类判断和反馈四个步骤，
预处理步骤中，通过调整图像大小、增强对比度以及去除噪声改进图形数据的质量；
特征提取步骤中：使用CNN来自动识别并提取图形数据中的关键特征；
分类判断步骤中，基于上述步骤提取的特征对图形数据进行分类，识别是否包含敏感信息的特定符号、文字或图像；
反馈步骤中，将分类判断的结果反馈给数据处理模块，结合物理状态参数决定销毁方式和程度；
所述销毁程度包括完全销毁、部分销毁，所述部分销毁根据图形数据中包含的特定信息进行；
所述待销毁介质包括含有敏感信息的纸质文件、光盘、硬盘或其他存储设备；
所述步骤五中的检测操作包括物理检测、化学分析、光学检测，其中，
物理检测包括对残余物的重量、体积、颗粒大小进行测量；
化学分析包括对残余物的成分、pH值、化学性质进行分析；
光学检测包括对残余物的颜色、光泽、透明度进行观察，若检测结果显示销毁后的残余物满足预设的标准，则认为销毁操作已完成，否则，将根据检测结果调整销毁方式和程度，并重新进行销毁操作，该检测操作为***提供反馈信息，帮助优化决策树模型和CNN模型。
2.根据权利要求1所述的一种基于状态感知的介质销毁的方法，其特征在于，所述步骤一中的采集待销毁介质的各项物理状态参数具体步骤包括：
使用传感器设备对待销毁介质进行实时监控，其中，传感器设备包括温度传感器、湿度传感器、压力传感器；
将采集到的物理状态参数传输给数据处理模块，数据处理模块将其转换为可读取、分析的电信号，其中，传感器设备分布在待销毁介质的各个部位，以便全面获取介质的状态信息，所述数据处理模块具备数据清洗功能，准确抽取各项物理状态参数，为决策提供准确的数据支持。
3.根据权利要求2所述的一种基于状态感知的介质销毁的方法，其特征在于，所述数据处理模块内置有人工智能算法，该人工智能算法通过对历史数据进行学习和训练，提高其识别和分析物理状态参数和图形数据的能力，所述数据处理模块还包括用于数据预处理的预处理子模块，处理方式包括数据清洗、数据整合、数据变换。
4.根据权利要求3所述的一种基于状态感知的介质销毁的方法，其特征在于，所述人工智能算法采用决策树算法，决策树根据以下公式进行训练：
对于训练数据集D，其熵（Entropy）定义为：
其中，p_k是第k类样本在D中出现的概率；
我们选择A作为最优划分属性，即在属性A的条件下，D的信息增益最大：
其中，E(D|A)表示在属性A的条件下，D的条件熵，计算公式为：
其中，
|D^v|表示D中在属性A上取第v个值的样本子集的样本数，V是A的可能取值数；
训练数据集D：包含介质的温度、湿度、压力的物理状态参数以及图形数据的读取结果、对应的销毁方式和程度；
p_k：第k种销毁方式在训练数据集D中出现的概率；
E(D)：训练数据集D的熵，表示D的不确定性或混乱程度；
A：选择的用于划分训练数据集D的属性，包括介质的任何物理状态参数或图形数据的任何特征；
g(D,A)：属性A对训练数据集D的信息增益；
E(D|A)：基于属性A的值，训练数据集D的条件熵，表示在此条件下，D的不确定性；
V：属性A的可能取值数。
5.根据权利要求1所述的一种基于状态感知的介质销毁的方法，其特征在于，所述物理销毁方式包括破碎、切割、撕裂方式，所述化学销毁方式包括氧化、还原、水解方式，所述热能销毁方式包括燃烧、热解、高温蒸汽处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310989246.5A CN116702069B (zh) | 2023-08-08 | 2023-08-08 | 一种基于状态感知的介质销毁的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310989246.5A CN116702069B (zh) | 2023-08-08 | 2023-08-08 | 一种基于状态感知的介质销毁的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116702069A CN116702069A (zh) | 2023-09-05 |
| CN116702069B true CN116702069B (zh) | 2023-11-24 |
Family
ID=87826162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310989246.5A Active CN116702069B (zh) | 2023-08-08 | 2023-08-08 | 一种基于状态感知的介质销毁的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702069B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407927B (zh) * | 2023-12-15 | 2024-03-22 | 山东万里红信息技术有限公司 | 一种硬盘数据销毁方法、计算机设备和存储介质 |
| CN117457032B (zh) * | 2023-12-25 | 2024-03-22 | 山东万里红信息技术有限公司 | 一种基于体量识别的存储介质销毁方法 |
| CN117688596A (zh) * | 2024-02-04 | 2024-03-12 | 北京中超伟业信息安全技术股份有限公司 | 基于人工智能的数据销毁识别处理***及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117302A (zh) * | 2015-07-24 | 2015-12-02 | 厦门宇高信息科技有限公司 | 一种用于存储介质数据销毁的校验方法 |
| CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及*** |
| CN113435424A (zh) * | 2021-08-27 | 2021-09-24 | 北京中超伟业信息安全技术股份有限公司 | 一种保密介质销毁颗粒度的识别方法和*** |
| CN113673004A (zh) * | 2021-08-09 | 2021-11-19 | 国网重庆市电力公司电力科学研究院 | 一种分级分类的数据销毁方法 |
| CN114528950A (zh) * | 2022-04-24 | 2022-05-24 | 北京中超伟业信息安全技术股份有限公司 | 一种基于三维点云识别保密介质类型的销毁方法与*** |
| CN115502166A (zh) * | 2022-08-24 | 2022-12-23 | 艾斯特国际安全技术（深圳）有限公司 | 证件自动识别损毁方法、***、装置及存储介质 |
| CN116109636A (zh) * | 2023-04-13 | 2023-05-12 | 北京中超伟业信息安全技术股份有限公司 | 一种基于视觉监测的磁介质溶毁处理方法及*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8229593B2 (en) * | 2005-10-03 | 2012-07-24 | International Business Machines Corporation | Document destruction management |
| JP6734498B1 (ja) * | 2020-06-16 | 2020-08-05 | 神田 智一 | 情報記録媒体の破壊装置の管理方法 |
-
2023
- 2023-08-08 CN CN202310989246.5A patent/CN116702069B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117302A (zh) * | 2015-07-24 | 2015-12-02 | 厦门宇高信息科技有限公司 | 一种用于存储介质数据销毁的校验方法 |
| CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及*** |
| CN113673004A (zh) * | 2021-08-09 | 2021-11-19 | 国网重庆市电力公司电力科学研究院 | 一种分级分类的数据销毁方法 |
| CN113435424A (zh) * | 2021-08-27 | 2021-09-24 | 北京中超伟业信息安全技术股份有限公司 | 一种保密介质销毁颗粒度的识别方法和*** |
| CN114528950A (zh) * | 2022-04-24 | 2022-05-24 | 北京中超伟业信息安全技术股份有限公司 | 一种基于三维点云识别保密介质类型的销毁方法与*** |
| CN115502166A (zh) * | 2022-08-24 | 2022-12-23 | 艾斯特国际安全技术（深圳）有限公司 | 证件自动识别损毁方法、***、装置及存储介质 |
| CN116109636A (zh) * | 2023-04-13 | 2023-05-12 | 北京中超伟业信息安全技术股份有限公司 | 一种基于视觉监测的磁介质溶毁处理方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| "The application of intelligent control algorithm in sanitation monitoring system";Mei Chen 等;2017 2nd International Conference on Robotics and Automation Engineering (ICRAE);全文 * |
| "信息存储介质的安全销毁方法及资源化技术";闫国卿 等;《材料导报》;第27卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116702069A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116702069B (zh) | 一种基于状态感知的介质销毁的方法 | |
| Bayar et al. | Towards open set camera model identification using a deep learning framework | |
| CN100414558C (zh) | 基于模板学习的自动指纹识别***和方法 | |
| CN110414367B (zh) | 一种基于gan和ssn的时序行为检测方法 | |
| Mikołajczyk et al. | Towards explainable classifiers using the counterfactual approach-global explanations for discovering bias in data | |
| Öztürk et al. | Comparison of HOG, MSER, SIFT, FAST, LBP and CANNY features for cell detection in histopathological images | |
| Suryawanshi et al. | Comparative study of Malaria parasite detection using euclidean distance classifier & SVM | |
| CN113112498A (zh) | 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法 | |
| CN112069307A (zh) | 一种法律法条引用信息抽取*** | |
| Ellingsgaard et al. | Detecting fingerprint alterations by orientation field and minutiae orientation analysis | |
| Chen et al. | Effective candidate component extraction for text localization in born-digital images by combining text contours and stroke interior regions | |
| Sainin et al. | Malaysian medicinal plant leaf shape identification and classification | |
| CN117857088A (zh) | 一种网络流量异常检测方法、***、设备及介质 | |
| Khamis et al. | Comparison of Palm Oil Fresh Fruit Bunches (FFB) Ripeness Classification Technique using Deep Learning Method | |
| CN114677750A (zh) | 基于大数据的智慧商场人脸识别***和方法 | |
| Fan et al. | A dynamic size-based time series feature and application in identification of zinc flotation working conditions | |
| Kumar et al. | Pomegranate Quality Analysis and Classification Using Feature Extraction and Machine Learning | |
| CN114139617A (zh) | 一种基于深度聚类的新类目标识别方法及装置 | |
| CN110619273A (zh) | 一种高效的虹膜识别方法以及识别装置 | |
| Thomas et al. | A plant identification and recommendation system | |
| Hernández Díaz et al. | Software to Assist Visually Impaired People During the Craps Game Using Machine Learning on Python Platform | |
| CN118013248B (zh) | 基于半机理模型筛选的工况识别方法、装置、设备及介质 | |
| Ning et al. | Scene text detection based on component-level fusion and region-level verification | |
| CN115687616A (zh) | 一种多维度文本信息分类标注模型及方法 | |
| CN113780084B (zh) | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |