基于混合密碼的互聯網大數據隱匿性特征提取研究

趙 放，任 遠

（1.西安工程大學科技處，陜西西安 710048；2.陜西工商職業學院中瑞旅游與酒店管理學院，陜西西安 710075）

混合密碼可在對稱密碼條件下，對數據消息加密處理，由于所使用編碼密鑰的長度值始終小于消息數據樣本長度，因此由公鑰密碼加密產生的轉碼速率條件可以直接忽略不計。通常情況下，混合密碼的生成需要公鑰密碼、對稱密碼、偽隨機數生成器的共同配合，且在同一轉碼時間內，三者必須同時保持高強度連接狀態[1-2]。在公鑰密碼與對稱密碼同時存在的情況下，前者的轉碼強度必須時刻高于后者。

在互聯網應用環境中，隨著信息覆蓋面積的增大，一部分大數據文件會出現明顯的隱匿性特征[3]。為獲得準確的文件信號管控與識別結果，傳統AEC編碼型提取手段借助公鑰密碼體系對大數據參量進行處理，再通過串行加密的形式，實現對信息文件的整合與調用。但該方法不具備順、逆向信息轉存同步執行的能力，很難實現對已隱藏大數據信息參量的精準提取。為解決該問題，引入混合密碼原理，搭建一種新型的互聯網大數據隱匿性特征提取模型，在公鑰密碼組、數字簽名、樣本數據庫模塊等多個執行處理條件的作用下，建立必要的隱匿遞歸算法，再通過對比實驗的方式，突出該模型的實際應用價值。

1 基于混合密碼的互聯網大數據傳輸環境

基于混合密碼的互聯網大數據傳輸環境由公鑰密碼組、數字簽名、摘要函數3 部分共同組成，具體搭建方法如下。

1.1 公鑰密碼組

公鑰密碼組是一個完整且獨立的大數據信息轉碼依據文件，由于保密度等級水平相對較高，因此該文件可被直接應用于互聯網數字簽名結構體之中。在互聯網存儲能力相對較大的情況下，大數據信息的待轉存數量級水平越高，與之匹配的公鑰密碼組編碼能力也就越強[4-5]。設α0代表互聯網環境下最小的公鑰密碼傳輸系數，αn代表互聯網環境下最大的公鑰密碼傳輸系數，一般情況下，公鑰密碼定義量n的取值結果越大，最終計算所得的公鑰密碼組完整性程度也就越高。聯立上述物理量，可將基于混合密碼的公鑰密碼組結果定義為ω：

式中，λ1代表公鑰密碼取值為1 時的大數據原解碼參量，λn代表公鑰密碼取值為n時的大數據原解碼參量，代表理想情況下的互聯網大數據轉碼均值，代表實際的互聯網大數據轉碼均值。

1.2 數字簽名

數字簽名是存在于互聯網環境中的大數據信息特征參考條件，隨公鑰密碼組定義原則的不同，最終所得到的數字簽名連接形式也會有所改變。若不考慮其他數值指標對互聯網數字簽名形態的干擾，則這種連接協議的接入權限只受到混合密碼傳輸周期、大數據參量隱藏顯示比兩項物理條件的直接影響[6-7]。混合密碼傳輸周期常表示為，大數據參量隱藏顯示比常表示為β，該項物理量可被看作隱藏大數據與顯示大數據間的數值比例，一般情況下，會隨著傳輸大數據總量的提升而出現明顯的數值增大狀態。在上述物理量的支持下，聯立公式（1），可將基于混合密碼的互聯網數字簽名條件定義為Q：

1.3 摘要函數

由于數字簽名必須依賴于效率非常高的混合密碼公鑰編譯機制，且通過這種手段驗證互聯網大數據完整性在實際應用中極難實現，因此通過抽取數據摘要的方式，建立完整的數字簽名結構十分必要，而實現數據摘要的抽取需采用摘要型函數[8-9]。摘要函數為一種滿足哈希調取關系的數據處理行為，可在已知數字簽名存儲形式的基礎上，確定與函數主體相關的大數據特征隱匿性存儲標準，從而實現對固有特征值的提取與處理[10]。設s0代表與互聯網數字簽名相關的最小哈希調取系數，sn代表與互聯網數字簽名相關的最大哈希調取系數，δ代表固有的大數據隱匿性特征參量值，聯立公式（2），可將基于混合密碼的摘要函數定義為R：

式中，D1代表已輸入的第一個大數據隱匿性特征指標，Dn代表已輸入的第n個大數據隱匿性特征指標，代表D1與Dn的平均數值。

2 互聯網大數據隱匿性特征提取

在混合密碼原則的支持下，按照樣本數據庫模塊搭建、大數據主成分分析、隱匿性遞歸算法實施的處理流程，完成互聯網大數據隱匿性特征提取模型的設計。

2.1 樣本數據庫模塊

樣本數據庫模塊由分類樣本數據庫、全量樣本數據庫兩部分共同組成。其中，分類樣本數據庫能夠區分混合密碼信號的現有連接形式，并可在明確各類型數據樣本存儲能力的同時，對互聯網環境中的大數據信息進行分類調度與調節[11]。全量樣本數據庫中包含多個不同的業務表單結構，可在分析樣本數據源信息的同時，對大數據隱匿性特征進行區分與查詢，再按照既定規則條件，完善原有的混合密碼樣本，從而使互聯網主機對于大數據參量的特征提取需求得以滿足。簡單來說，在混合密碼編譯條件的作用下，分類樣本數據庫與全量樣本數據庫兩者相互作用，對互聯網傳輸環境進行合理化的構建與平衡[12]。

圖1 樣本數據庫模塊結構圖

2.2 大數據主成分分析

大數據主成分分析在對隱匿性特征進行提取時，需要將混合密碼矩陣拉成一個行向量或一個列向量。通常情況下，這類一維向量矩陣的維數值相對較大，不僅會增加大數據主成分分析的運算負擔，也會削弱互聯網大數據的實際存儲能力，從而造成隱匿性特征值的丟失。基于此，為減輕大數據主成分在特征值提取時的計算處理量，可在建立混合密碼協方差矩陣的同時，確定互聯網大數據信息所占據的存儲空間，再通過計算信息復雜度權限的方式，得到準確的大數據主成分分析結果[13-14]。設z0代表最小的混合密碼矩陣向量，zn代表最大的混合密碼矩陣向量，聯立公式（3），可將互聯網大數據主成分分析結果表示為L：

其中，j1代表第一個互聯網大數據隱匿性特征的位置信息，jn代表第n個互聯網大數據隱匿性特征的位置信息，χ代表特征值提取權限量，ΔH代表混合密碼編譯信息在單位時間內的傳輸變化量。

2.3 隱匿性遞歸算法

隱匿性遞歸算法的建立是基于混合密碼互聯網大數據隱匿性特征提取模型設計的末尾處理環節，可在已知大數據主成分分析結果的基礎上，對大數據特征的提取原則進行集中性歸納，再根據既定的密碼編譯理論，對這些信息參量進行轉錄與存儲處理[15]。在不考慮其他干擾條件的情況下，隱匿性遞歸算法的構建標準只受到編譯性行為指標、互聯網信息存儲參量兩項物理指標的直接影響[16]。其中，編譯性行為指標可表示為μ，在既定數據存儲時間內，該項物理量的實際數值水平越高，最終歸納得出的隱匿性遞歸算法原則也就越完善?；ヂ摼W信息存儲參量可表示為C，一般情況下，該項物理量與隱匿性遞歸算法建立結果保持反比影響關系，即存儲參量值越大，遞歸算法的應用能力也就越弱，反之則越強。在上述物理量的支持下，聯立公式（4），可將隱匿性遞歸算法原則定義為V：

式中，σ0代表最小的大數據密碼編譯指標，σn代表最大的大數據密碼編譯指標，bmax代表待提取的大數據隱匿性特征最大值，代表混合型編譯密碼的解碼均值量。至此，完成各項系數應用指標的計算與處理，在混合密碼原則的支持下，實現互聯網大數據隱匿性特征提取模型的設計與搭建。

3 實驗設計與結果分析

為驗證基于混合密碼互聯網大數據隱匿性特征提取模型的設計應用價值，設計如下對比實驗。搭建如圖2 所示的互聯網實驗環境，分別將實驗組編碼主機與對照組編碼主機接入服務器應用平臺之中，其中實驗組編碼主機搭載基于混合密碼互聯網大數據隱匿性特征提取模型，對照組編碼主機搭載AEC 編碼型提取手段，在大數據輸入量趨于穩定的情況下，分析各項實驗指標的實際變化情況。

圖2 互聯網實驗環境

已知順、逆向信息轉存效率均能反映互聯網主機對于已隱藏大數據信息參量的精準化提取能力，一般情況下，順、逆向信息轉存效率越高，互聯網主機對于已隱藏大數據信息參量的精準化提取能力也就越強，反之則越弱。表1、表2 分別記錄了實驗組、對照組順、逆向信息轉存效率的具體數值變化趨勢。

表1 順向信息轉存效率對比表

分析表1 可知，在實驗過程中，實驗組順向信息轉存效率始終保持不斷上升的變化趨勢，全局最大值達到了91%。對照組順向信息轉存效率在實驗前期一直不斷上升，而從第40 min 開始，這種變化趨勢逐漸趨于穩定，全局最大值僅能達到65%，與實驗組極大值相比，下降了26%。綜上可知，應用基于混合密碼互聯網大數據隱匿性特征提取模型后，順向信息的轉存效率值得到有效促進，可增強聯網主機對于已隱藏大數據信息參量的精準化提取能力。

分析表2 可知，隨著實驗時間的延長，實驗組逆向信息轉存效率在一段時間的穩定狀態后，開始不斷上升，全局最大值達到了96%。對照組逆向信息轉存效率則始終保持不斷下降的變化趨勢，全局最大值僅能達到56%，與實驗組極值相比，下降了40%。綜上可知，應用基于混合密碼互聯網大數據隱匿性特征提取模型后，逆向信息轉存效率開始不斷增大，完全滿足增強聯網主機對于已隱藏大數據信息參量的精準化提取能力的實際應用需求。

表2 逆向信息轉存效率對比表

4 結束語

與AEC 編碼型提取手段相比，基于混合密碼互聯網大數據隱匿性特征提取模型所具備的順、逆向信息轉存效率值更高，在公鑰密碼組、數字簽名等執行條件的作用下，樣本數據庫模塊可在分析大數據主成分的同時，建立隱匿性遞歸算法，能夠較好地實現編碼主機對于文件信號的管控與識別處理。