基于元數(shù)據(jù)管理的半結構化數(shù)據(jù)安全轉換方法

趙小凡，李 情

(廣東電網(wǎng)廣州供電局，廣東 廣州 510000)

0 引言

隨著云存儲技術的發(fā)展，在云存儲環(huán)境中需要對半結構化數(shù)據(jù)進行優(yōu)化編碼轉換和訪問控制[1]。對云存儲動態(tài)半結構化數(shù)據(jù)的轉換設計建立在對半結構化數(shù)據(jù)動態(tài)特征分析和融合處理的基礎上[2-3]。目前，關于數(shù)據(jù)安全轉換方法的研究受到了人們的極大關注。

文獻[4]提出面向大數(shù)據(jù)的非結構化數(shù)據(jù)安全保障技術，針對大數(shù)據(jù)的半結構化數(shù)據(jù)安全問題，依據(jù)數(shù)據(jù)類型和數(shù)據(jù)敏感度級別，形成了保障半結構化數(shù)據(jù)安全的研究成果。首先，通過數(shù)據(jù)分析獲取所需數(shù)據(jù)類型和敏感度級別，構建數(shù)據(jù)庫的數(shù)據(jù)節(jié)點。其次，為數(shù)據(jù)節(jié)點提供安全算法，與數(shù)據(jù)節(jié)點交互形成安全套件。再次，通過接口的調度算法為半結構化數(shù)據(jù)提供足夠的安全性。但該方法進行云存儲動態(tài)半結構化數(shù)據(jù)轉換時的自適應性欠佳，統(tǒng)計分析能力不強。文獻[5]提出基于模式未知的半結構化數(shù)據(jù)分析方法，利用多源適應多標簽分類框架，根據(jù)基于字符串相似度的實體解析算法，將記錄分成多個子字符串，從而編輯相似度、計算子字符串之間的關聯(lián)度。在此基礎上，引入二分圖最大加權匹配算法度量記錄之間的關聯(lián)度。該方法進行半結構化數(shù)據(jù)轉換時的解密性能欠佳，數(shù)據(jù)轉換輸出誤碼率較高。

針對上述問題，本文提出基于元數(shù)據(jù)管理的半結構化數(shù)據(jù)安全轉換方法。首先，構建云存儲動態(tài)半結構化數(shù)據(jù)的Hash編碼模型，通過動態(tài)隨機碼元調制方法、元數(shù)據(jù)管理以及參數(shù)模糊度辨識方法，實現(xiàn)半結構化數(shù)據(jù)安全轉換和多屬性群決策。然后，提取數(shù)據(jù)元特征，結合信息聚類和自適應學習方法，實現(xiàn)半結構化數(shù)據(jù)安全轉換和編碼控制。最后，通過仿真測試分析，展示了該方法在提高半結構化數(shù)據(jù)安全轉換能力方面的優(yōu)越性能。

1 半結構化數(shù)據(jù)編碼設計和碼元調制

1.1 半結構化數(shù)據(jù)編碼設計

為了實現(xiàn)基于元數(shù)據(jù)管理的半結構化數(shù)據(jù)安全轉換，構建云存儲動態(tài)半結構化數(shù)據(jù)的Hash編碼模型，采用動態(tài)隨機碼元調制方法進行數(shù)據(jù)編碼和輸出轉換控制設計[6]。假設云存儲動態(tài)半結構化數(shù)據(jù)的時間分布序列為Xn，n為原始待分區(qū)的云存儲動態(tài)半結構化數(shù)據(jù)特征分布集。在模糊時間序列分析處理下，得到云存儲動態(tài)半結構化數(shù)據(jù)傳輸?shù)膭討B(tài)模糊特征分布序列，表示為XN=Xn+η。其中，η為云存儲動態(tài)半結構數(shù)據(jù)空間的分布噪聲相關融合調度結果。采用相位偏移轉換控制和離散調度的方法，構建云存儲動態(tài)半結構化數(shù)據(jù)的模糊時間分布模型，得到非隸屬度特征匹配參數(shù)輸出：

(1)

根據(jù)動態(tài)隨機碼元調制方法，在固定的融合空間分布模型中，得到云存儲動態(tài)半結構化數(shù)據(jù)分布的平均互信息熵：

(2)

式中：R1為平均互信息熵；T為線性編碼；U1、U2、U3為結合統(tǒng)計時間的大數(shù)據(jù)序列。

根據(jù)線性控制方法，得到云存儲動態(tài)半結構化數(shù)據(jù)的演化特征參數(shù)：

(3)

根據(jù)動態(tài)隨機碼元的轉換控制，得到云存儲動態(tài)半結構化數(shù)據(jù)自適應編碼的算術密鑰協(xié)議：

(4)

式中：X為云存儲動態(tài)半結構化數(shù)據(jù)自適應編碼的算術密鑰協(xié)議。

在上述模糊調度集中，通過元數(shù)據(jù)管理，得到云存儲動態(tài)半結構化數(shù)據(jù)設計重構的特征值：

(5)

式中：Er為重構特征值；σ1為半結構數(shù)據(jù)分布的文件的第1個數(shù)據(jù)塊；σ2為半結構數(shù)據(jù)分布的文件的第2個數(shù)據(jù)塊；σr為半結構數(shù)據(jù)分布的文件的第r個數(shù)據(jù)塊。

在更新策略下，得到數(shù)據(jù)組密鑰，采用分組交換的方法實現(xiàn)云存儲動態(tài)半結構化數(shù)據(jù)動態(tài)分析和聚類。

1.2 半結構化數(shù)據(jù)碼元調制設計

根據(jù)半結構化數(shù)據(jù)動態(tài)分析和聚類結果，采用模糊自相關融合調度方法，建立云存儲動態(tài)半結構化數(shù)據(jù)的直覺模糊度對偶集；采用元數(shù)據(jù)管理和參數(shù)模糊度辨識方法，結合密鑰動態(tài)重組[8]，構建云存儲動態(tài)半結構化數(shù)據(jù)的模糊屬性分區(qū)交換模型。表達式為：

p0,0=t(σz+y)

(6)

式中：p0,0為模糊屬性分區(qū)交換模型；t為數(shù)據(jù)采樣的時間間隔；σz為數(shù)據(jù)碼元分布；y為Hash函數(shù)動態(tài)分配。

根據(jù)云存儲動態(tài)半結構數(shù)據(jù)樣本的密度取值[9-11]，得到非邊緣點融合區(qū)域內的動態(tài)碼元調制密度特征量：

I(Q,S)=H(S)-H(Q|S)

(7)

(8)

式中：I(Q,S)為動態(tài)碼元調制密度特征量，Q為碼元瞬時特性特征參數(shù)，S為碼元瞬時延續(xù)性特征參數(shù)；H(S)為動態(tài)碼元調制密度估計值；H(Q|S)為數(shù)據(jù)調制中產(chǎn)生的同相數(shù)據(jù)輸出；H(Q|si)為數(shù)據(jù)調制中產(chǎn)生的正交數(shù)據(jù)輸出；psq(si,qi)為滿足條件的分類屬性集合；η為模糊自相關融合調度結果。

云存儲動態(tài)半結構化數(shù)據(jù)的碼元調制輸出為：

(9)

式中：ti為碼元調制結果輸出的時間間隔；gs(ti)為云存儲動態(tài)半結構化數(shù)據(jù)的語義概念集出現(xiàn)在模糊概念集S中的概率；p1,n-1為離散化的數(shù)據(jù)序列。

采用先驗樣本分析，得到云存儲動態(tài)半結構化數(shù)據(jù)碼元調制的遞歸分析模型：

(10)

式中：λ為相鄰碼元之間的躍變；μ為云存儲動態(tài)半結構化數(shù)據(jù)邊緣節(jié)點分布情況；r為碼元分割點。

在模糊時間序列分析訓練下，構建云存儲動態(tài)半結構化數(shù)據(jù)的直覺模糊度對偶集，采用元數(shù)據(jù)管理和參數(shù)模糊度辨識方法實現(xiàn)對數(shù)據(jù)的調制和融合[12]。

2 數(shù)據(jù)安全轉換優(yōu)化設計

2.1 半結構化數(shù)據(jù)的元數(shù)據(jù)管理設計

本文以云存儲動態(tài)半結構化數(shù)據(jù)碼元調制結果為基礎，采用統(tǒng)計分析和概率密度特征采樣方法，構建云存儲動態(tài)半結構化數(shù)據(jù)分簇聚類融合模型[13-14]，得到數(shù)據(jù)融合參數(shù)匹配集：

Kwpg=H(Q|si)+d(ωi,k)

(11)

式中：Kwpg(x,y,wi)為數(shù)據(jù)融合參數(shù)匹配集；d(ωi,k)為云存儲動態(tài)半結構化數(shù)據(jù)動態(tài)融合的適應度算子。

根據(jù)半結構化數(shù)據(jù)安全轉換，得到云存儲動態(tài)半結構化數(shù)據(jù)的粗糙集特征量，為：

Wx=X(v+k)X×Kwpg

(12)

式中：Wx為粗糙集特征量；X(v+k)為云存儲動態(tài)半結構化數(shù)據(jù)存儲中心衰減特征量，v為衰減特征累加值，k為衰減系數(shù)。

根據(jù)云存儲動態(tài)半結構化數(shù)據(jù)中的用戶行為分布時頻特征提取復共軛，實現(xiàn)半結構化數(shù)據(jù)安全轉換和多屬性群決策；建立云存儲動態(tài)半結構化數(shù)據(jù)對偶模糊信息之間相關關系實現(xiàn)數(shù)據(jù)元特征提取，得到元數(shù)據(jù)管理的動態(tài)參數(shù)元數(shù)據(jù)管理模型。

2.2 數(shù)據(jù)安全轉換自適應控制

在上述對云存儲動態(tài)半結構化數(shù)據(jù)安全編碼設計的基礎上，采用隨機線性加密和Hash結構重組方法，實現(xiàn)云存儲動態(tài)半結構化數(shù)據(jù)的加密轉換，以提高數(shù)據(jù)轉換的安全性。設云存儲動態(tài)半結構化數(shù)據(jù)加密密鑰協(xié)議的分布幅值為A、數(shù)據(jù)聯(lián)合特征分解的離散序列分布為x(t)，采用時頻特征分解，得到云存儲動態(tài)半結構化數(shù)據(jù)加密安全轉換輸出，為：

(13)

式中：x(y+gi)為前期數(shù)據(jù)存儲結構數(shù)據(jù)實現(xiàn)分組檢測結果，y為數(shù)據(jù)組數(shù)量，gi為數(shù)據(jù)項；x*(ui)為元數(shù)據(jù)分布序列，ui為數(shù)據(jù)結構；e為數(shù)據(jù)安全系數(shù)。

基于混沌稀疏性重排，得到云存儲動態(tài)半結構化數(shù)據(jù)加密的密鑰傳輸控制協(xié)議，為：

W(X)=[s1,s2,sK]n×Wx

(14)

式中：W(X)為密鑰傳輸控制協(xié)議；s1為用戶行為屬性數(shù)據(jù)時間序列的第1個正交特征；s2為用戶行為屬性數(shù)據(jù)時間序列的第2個正交特征；sK為用戶行為屬性數(shù)據(jù)時間序列的第K個正交特征。

根據(jù)云存儲動態(tài)半結構化數(shù)據(jù)用戶行為屬性數(shù)據(jù)采樣的時間延遲，構建相空間的嵌入維數(shù)，得到云存儲動態(tài)半結構化數(shù)據(jù)的稀疏性散亂特征點。在此基礎上，建立云存儲動態(tài)半結構化數(shù)據(jù)對偶模糊信息之間的相關關系，實現(xiàn)數(shù)據(jù)元特征提取，表示為：

(15)

式中：μik為數(shù)據(jù)元特征種類；Kψ為元數(shù)據(jù)特征。

根據(jù)元特征提取結果，得到數(shù)據(jù)分布的聯(lián)合空間指向性特征分布，為：

(16)

式中：xn,G為數(shù)據(jù)分布的聯(lián)合空間指向性特征分布；G為數(shù)據(jù)特征分布采樣頻率；Δxi為數(shù)據(jù)梯度分布特征量。

結合信息聚類和自適應學習方法，進行半結構化數(shù)據(jù)安全轉換和編碼控制[15]，得到元數(shù)據(jù)轉換輸出的統(tǒng)計時間序列分量：

xn+1=(Xn-2τ)n×xn,G

(17)

式中：xn+1為元數(shù)據(jù)轉換輸出的統(tǒng)計時間序列分量；Xn-2τ為時間序列聚類。

根據(jù)上述處理，通過網(wǎng)格融合聚類分析方法[16]，實現(xiàn)云存儲動態(tài)半結構化數(shù)據(jù)的安全轉換和加密設計。

3 仿真試驗與性能分析

為了驗證所提方法在實現(xiàn)云存儲動態(tài)半結構化數(shù)據(jù)安全轉換中的應用性能，以文獻[4]方法和文獻[5]方法作為對照，進行仿真測試分析。

3.1 試驗參數(shù)設置

設置云存儲動態(tài)半結構化數(shù)據(jù)存儲的網(wǎng)格數(shù)量為14×24，網(wǎng)格對象的密度值為0.35，云存儲動態(tài)半結構化數(shù)據(jù)采樣的長度為1 024，樣本數(shù)據(jù)為700個，測試集規(guī)模為120，規(guī)范化殘差特征分布系數(shù)為1.26。在此基礎上，進行仿真試驗。

3.2 試驗結果分析

云存儲動態(tài)半結構化數(shù)據(jù)分布如圖1所示。

圖1 云存儲動態(tài)半結構化數(shù)據(jù)分布Fig.1 Cloud storage dynamic semi-structured data distribution

以圖1所示數(shù)據(jù)為研究對象，對云存儲動態(tài)半結構化數(shù)據(jù)進行加密安全轉換。云存儲動態(tài)半結構化數(shù)據(jù)安全轉換輸出結果如圖2所示。

圖2 云存儲動態(tài)半結構化數(shù)據(jù)安全轉換輸出結果Fig.2 Secure conversion output of cloud storage dynamic semi-structured data

由圖2可知，運用本文方法進行云存儲動態(tài)半結構化數(shù)據(jù)轉換的輸出安全性較好，抗攻擊能力和隱私性明顯優(yōu)于其他兩種方法。由于本文方法采用時頻特征分解方法，得到云存儲動態(tài)半結構化數(shù)據(jù)加密安全轉換輸出，在此基礎上結合信息聚類和自適應學習方法，實現(xiàn)了半結構化數(shù)據(jù)安全轉換和編碼控制，從而提升了半結構化數(shù)據(jù)安全轉換輸出的安全系數(shù)。

測試數(shù)據(jù)轉換的收斂曲線如圖3所示。

圖3 測試數(shù)據(jù)轉換的收斂曲線Fig.3 Convergences curves of test data conversion

由圖3可知，本文方法進行數(shù)據(jù)安全轉換時的收斂穩(wěn)態(tài)性較好，比另外兩種方法更具有安全性與真實性。云存儲動態(tài)半結構化數(shù)據(jù)轉換輸出的誤碼率如表1所示。

表1 云存儲動態(tài)半結構化數(shù)據(jù)轉換輸出的誤碼率Tab.1 BER of dynamic semi-structured dataconversion output of cloud storage

由表1中的數(shù)據(jù)可知，隨著迭代次數(shù)的增加，不同方法的數(shù)據(jù)轉換輸出誤碼率均呈現(xiàn)出不斷降低的趨勢。相比較之下，采用本文方法進行云存儲動態(tài)半結構化數(shù)據(jù)轉換時輸出誤碼率更低，說明本文方法的數(shù)據(jù)傳輸結果更可靠、安全性能更好。

4 結論

針對傳統(tǒng)方法的半結構化數(shù)據(jù)安全轉換能力較差、數(shù)據(jù)轉換輸出誤碼率較高的問題，本文提出基于元數(shù)據(jù)管理的半結構化數(shù)據(jù)安全轉換方法：構建云存儲動態(tài)半結構化數(shù)據(jù)的Hash編碼模型；采用動態(tài)隨機碼元調制方法，進行數(shù)據(jù)編碼和輸出轉換控制設計；采用元數(shù)據(jù)管理和參數(shù)模糊度辨識的方法，實現(xiàn)數(shù)據(jù)調制和融合。根據(jù)空間特征匹配的方法構建數(shù)據(jù)安全轉換，得到云存儲動態(tài)半結構化數(shù)據(jù)的粗糙集特征量。建立云存儲動態(tài)半結構化數(shù)據(jù)對偶模糊信息之間的相關關系，實現(xiàn)數(shù)據(jù)元特征的提取實現(xiàn)半結構化數(shù)據(jù)的安全轉化和加密。分析試驗結果可知，采用本文方法的半結構化數(shù)據(jù)安全轉換的穩(wěn)定性較高、輸出誤碼率較低。該結果充分驗證了本文方法的有效性與實際應用價值。