[发明专利]一种动车组轮对检测数据的加密方法及系统有效

专利信息
申请号: 202111245945.6 申请日: 2021-10-26
公开(公告)号: CN113691567B 公开(公告)日: 2022-02-11
发明(设计)人: 陈志雄;文心红 申请(专利权)人: 智粤铁路设备有限公司
主分类号: H04L9/40 分类号: H04L9/40;H04L67/12;H04L67/52
代理公司: 广州博士科创知识产权代理有限公司 44663 代理人: 马天鹰
地址: 510000 广东省广州市*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 车组 轮对 检测 数据 加密 方法 系统
【权利要求书】:

1.一种动车组轮对检测数据的加密方法,其特征在于,应用于动车组轮对检测数据的加密系统,该方法包括:

搜寻上传的每个动车组轮对区域的动车组轮对检测数据;

按照满足网络部署需求的隐匿化特征决策网络对该动车组轮对检测数据进行隐匿化特征决策,得到隐匿化决策特征;

按照该隐匿化决策特征推导相关的加密决策数据集,并按照该加密决策数据集对相关的每个动车组轮对区域具有联系关系的检测数据项目进行加密处理;

其中,所述方法还包括:

遍历调取每个动车组轮对区域在目标运行阶段内的加密决策特征序列;

搜寻该加密决策特征序列在虚拟配置访问器下触发的多个虚拟响应特征字段;

对所述多个虚拟响应特征字段进行异常密文溯源,得到与该加密决策特征序列存在联系的多个参考异常密文;

遍历基于多个该参考异常密文中的每个参考异常密文,按照该加密决策特征序列在所述多个虚拟响应特征字段中的虚拟响应拦截信息,以及该参考异常密文在所述多个虚拟响应特征字段中的异常溯源字段,确定该加密决策特征序列和该参考异常密文在所述多个虚拟响应特征字段中的异常概率参数,得到该参考异常密文相关的异常概率参数分布;

按照多个该参考异常密文各自对应的异常概率参数分布,确定该加密决策特征序列的异常密文知识空间;

按照该异常密文知识空间,基于预先开发的异常修复指令集搜寻与该异常密文知识空间对应的目标异常修复指令。

2.根据权利要求1所述的动车组轮对检测数据的加密方法,其特征在于,所述按照满足网络部署需求的隐匿化特征决策网络对该动车组轮对检测数据进行隐匿化特征决策,得到隐匿化决策特征的步骤,包括:

按照该隐匿化特征决策网络决策该动车组轮对检测数据包含的隐匿化特征空间和隐匿化特征显著事件,以及决策该隐匿化特征空间相关的隐匿化特征类别、该隐匿化特征显著事件相关的显著事件类别;

将该动车组轮对检测数据、该隐匿化特征空间及相关的隐匿化特征类别、该隐匿化特征显著事件及相关的显著事件类别作为该隐匿化决策特征。

3.根据权利要求1所述的动车组轮对检测数据的加密方法,其特征在于,所述方法还包括:

搜寻示例动车组轮对检测数据集,该示例动车组轮对检测数据集包括配置了隐匿化特征类别和显著事件类别的该动车组轮对检测数据;

部署用于预测隐匿化决策特征的隐匿化特征决策网络的网络配置组件,该隐匿化特征决策网络包括基于多个决策特征函数和集中聚焦函数的显著事件决策结构;

按照该示例动车组轮对检测数据集涵盖的该动车组轮对检测数据,对该隐匿化特征决策网络进行收敛优化。

4.根据权利要求3所述的动车组轮对检测数据的加密方法,其特征在于,所述部署用于预测隐匿化决策特征的隐匿化特征决策网络的网络配置组件,包括:

将向量挖掘组件、隐匿化特征空间-迁移挖掘组件、隐匿化特征聚焦组件及隐匿化特征决策组件进行函数联系,得到隐匿化特征空间决策组件;

将显著事件聚焦组件、显著轮对场景聚焦组件及聚焦决策组件均与显著事件类别决策组件进行函数联系,得到该显著事件决策结构;该聚焦决策组件包括所述多个决策特征函数和该集中聚焦函数;

将该隐匿化特征空间决策组件和该显著事件决策结构均与收敛评估组件级联;

该按照该示例动车组轮对检测数据集涵盖的该动车组轮对检测数据,对该隐匿化特征决策网络进行收敛优化,包括:

从该示例动车组轮对检测数据集中搜寻预设数据范围的该动车组轮对检测数据;

将该动车组轮对检测数据分别传递至该隐匿化特征空间决策组件和该显著事件决策结构中;

按照该隐匿化特征空间决策组件决策该动车组轮对检测数据包含的隐匿化特征空间相关的隐匿化特征类别;

按照该显著事件决策结构决策该动车组轮对检测数据相关的隐匿化特征显著事件相关的显著事件类别;

按照决策的该隐匿化特征类别及该显著事件类别,按照该收敛评估组件确定收敛优化流程的收敛评估值。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于智粤铁路设备有限公司,未经智粤铁路设备有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202111245945.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top