【技術實現步驟摘要】
本專利技術涉及計算機軟件加密算法領域，特別是涉及一種融合自適應加密技術和深度強化學習的優化算法，用于提升加密數據處理的效率和安全性。
技術介紹
1、隨著信息技術的快速發展，數據安全和隱私保護已成為各行業關注的重點。傳統的加密算法，如對稱加密(aes、des)、非對稱加密(rsa、ecc)等，在保護數據安全方面發揮了重要作用。然而，隨著數據規模的不斷擴大，傳統加密算法在處理大規模數據時，存在計算開銷大、處理效率低的問題。此外，深度強化學習作為人工智能的重要分支，已經在游戲、機器人控制等領域取得了顯著成果，但在加密策略優化領域的應用尚不成熟。
2、現有技術中，加密策略的選擇通常是靜態的，無法根據數據特性和系統狀態進行動態調整。這導致了在處理加密數據時，難以在安全性和性能之間取得平衡。例如，采用高強度的加密算法可以提高數據安全性，但會增加計算開銷，降低系統性能；采用低強度的加密算法可以提高處理效率，但可能無法滿足安全需求。因此，迫切需要一種能夠根據數據敏感性和系統狀態，動態調整加密策略的優化算法。
技術實現思路
1、本專利技術旨在提供一種基于自適應加密框架和深度強化學習的優化算法，以解決現有技術中加密數據處理效率低下、無法動態平衡安全性與性能的問題，通過將深度強化學習算法應用于自適應加密策略的優化，實現對數據敏感性和系統資源的實時感知，動態調整加密策略，提升系統的整體性能和安全性。
2、為實現上述目的，本專利技術提出以下技術方案：
3、一種基于自適應加
4、步驟一，數據輸入與預處理：接收待處理的數據d，對其進行特征提取，得到特征向量x；
5、步驟二，數據敏感性評估：計算數據敏感度評分sd＝fsens(x)；
6、步驟三，獲取系統資源狀態：實時獲取系統資源利用率，形成系統資源狀態向量sr；
7、步驟四，構建狀態向量：將數據敏感度評分和系統資源狀態組合，形成當前狀態向量s＝[sd,sr]；
8、步驟五，策略決策：利用策略網絡πθ(a|s)，在狀態向量s下選擇最優加密策略a＝(e,θ)；
9、步驟六，執行加密：采用選擇的加密算法e和配置的加密參數θ，對數據d進行加密，得到加密后的數據d'；
10、步驟七，計算獎勵：根據安全性評估和性能消耗評估，計算獎勵r；
11、步驟八，模型更新：利用采樣的數據(s,a,r,s')，更新策略網絡參數θ和價值網絡參數φ；
12、步驟九，輸出結果：輸出加密后的數據d'，供后續使用；
13、步驟十，循環優化：持續監控新的數據輸入和系統狀態，重復步驟一至九，持續優化加密策略。
14、所述的步驟一中，特征包括數據類型、內容關鍵詞、數據來源、歷史訪問記錄，生成特征向量x＝[x1,x2,…xi,…xn]，其中xi表示第i個特征的值。
15、所述的步驟二中，利用機器學習算法對數據的敏感性進行評估，生成敏感度評分sd；敏感度評分計算公式：其中，fi(x)為第i個特征的取值，wi為對應的權重，n為特征數量。
16、所述的步驟三中，系統資源利用率包括cpu利用率ucpu、gpu利用率ugpu、內存使用率umemory、網絡帶寬bnetwork；系統資源狀態向量sr＝[ucpu,ugpu,umemory,bnetwork]。
17、所述的步驟四中，狀態空間包括數據敏感度評分sd和系統資源狀態向量sr，s＝[sd,sr]＝[sd,ucpu,ugpu,umemory,bnetwork]。
18、所述的步驟五具體包括以下步驟：
19、(1)策略網絡輸入：將狀態向量s輸入到策略網絡；
20、(2)策略網絡輸出：選擇加密算法e，配置加密參數θ，通過策略網絡πθ(a|s)，根據當前狀態向量s選擇動作。
21、所述的步驟六中，加密過程為：d'＝eθ(d)，其中，eθ表示使用參數θ配置的加密算法；數據量較大時，將數據分片，利用多線程或多進程并行加密；加密完成后生成加密后的數據d'。
22、所述的步驟七具體包括以下步驟：
23、(1)安全性評估：計算安全性得分qsecurity，定義為：其中，sa為所選加密算法的安全等級評分，smax為最高安全等級評分；安全性得分歸一化為[0,1]區間；
24、(2)性能消耗評估：記錄加密過程中的執行時間te和資源占用率ru，計算性能消耗得分qperformance，定義為：其中，ω1和ω2為權重系數，tmax和rmax為預設的最大執行時間和最大資源占用率；
25、(3)即時獎勵計算：r＝α·qsecurity-β·qperformance，其中，α和β為調節安全性和性能消耗影響的權重系數。
26、所述的步驟八具體包括以下步驟：
27、(1)經驗數據收集：將當前的狀態s、動作a、獎勵r和下一個狀態s'組成一個經驗樣本(s,a,r,s')；
28、(2)價值網絡更新：
29、計算td誤差：δ＝r+γvφ(s')-vφ(s)，其中，vφ為價值網絡，γ為折扣因子；
30、更新價值網絡參數φ：其中，ηv為學習率；
31、(3)策略網絡更新：
32、計算優勢函數a(s,a)：a(s,a)＝δ；
33、更新策略網絡參數θ：其中，η為學習率。
34、所述的步驟九具體包括以下步驟：
35、(1)數據輸出：將加密數據d'保存到指定的位置或傳輸到目標接收方；
36、(2)記錄日志：記錄本次加密任務的相關信息。
37、所述的步驟十具體包括以下步驟：
38、(1)檢測新數據：檢查是否有新的待處理數據dnew；有新數據時，返回步驟一，繼續處理；
39、(2)更新系統狀態：實時更新系統資源狀態sr；
40、(3)模型持續學習：通過不斷地交互和學習，模型的策略網絡和價值網絡逐步優化，提高決策質量。
41、本專利技術通過深度強化學習算法，實現了對自適應加密策略的智能優化，具有以下優點：
42、(1)動態調整加密策略：系統能夠根據數據的敏感度和實時的系統資源狀態，動態選擇最優的加密算法和參數配置，平衡安全性與性能需求。
43、(2)提高系統效率：通過并行處理和資源調度，充分利用多核cpu、gpu等計算資源，加速加密過程，提高數據處理效率。
44、(3)增強數據安全性：在滿足性能要求的前提下，確保數據加密的安全性，適應不同應用場景下的安全需求。
45、(4)自我學習與優化：利用深度強化學習算法，系統能夠在運行過程中持續學習和優化，提高策略決策的準確性和適應性。
46、(5)可擴展性強：該算法框架具有良好的擴展性，可根據具體需求添加新的加密算法和策略，適應多樣化的本文檔來自技高網...
【技術保護點】
1.一種基于自適應加密框架的深度強化學習優化算法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟二中，利用機器學習算法對數據的敏感性進行評估，生成敏感度評分Sd；敏感度評分計算公式：其中，fi(x)為第i個特征的取值，wi為對應的權重，n為特征數量。
3.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟三中，系統資源利用率包括CPU利用率UCPU、GPU利用率UGPU、內存使用率UMemory、網絡帶寬BNetwork；系統資源狀態向量Sr＝[UCPU,UGPU,UMemory,BNetwork]。
4.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟四中，狀態空間包括數據敏感度評分Sd和系統資源狀態向量Sr，S＝[Sd,Sr]＝[Sd,UCPU,UGPU,UMemory,BNetwork]。
5.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟五具體包括以
6.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟六中，加密過程為：D'＝Eθ(D)，其中，Eθ表示使用參數θ配置的加密算法；數據量較大時，將數據分片，利用多線程或多進程并行加密；加密完成后生成加密后的數據D'。
7.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟七具體包括以下步驟：
8.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟八具體包括以下步驟：
9.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟九具體包括以下步驟：
10.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟十具體包括以下步驟：
...【技術特征摘要】
1.一種基于自適應加密框架的深度強化學習優化算法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟二中，利用機器學習算法對數據的敏感性進行評估，生成敏感度評分sd；敏感度評分計算公式：其中，fi(x)為第i個特征的取值，wi為對應的權重，n為特征數量。
3.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟三中，系統資源利用率包括cpu利用率ucpu、gpu利用率ugpu、內存使用率umemory、網絡帶寬bnetwork；系統資源狀態向量sr＝[ucpu,ugpu,umemory,bnetwork]。
4.根據權利要求1所述的基于自適應加密框架的深度強化學習優化算法，其特征在于，所述的步驟四中，狀態空間包括數據敏感度評分sd和系統資源狀態向量sr，s＝[sd,sr]＝[sd,ucpu,ugpu,umemory,bnetwork]...
【專利技術屬性】
技術研發人員：陽翔，唐靈靈，韋慶，
申請(專利權)人：國家計算機網絡與信息安全管理中心廣西分中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。