基于元數據管理的半結構化數據安全轉換方法

趙小凡，李 情

(廣東電網廣州供電局，廣東 廣州 510000)

0 引言

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

文獻[4]提出面向大數據的非結構化數據安全保障技術，針對大數據的半結構化數據安全問題，依據數據類型和數據敏感度級別，形成了保障半結構化數據安全的研究成果。首先，通過數據分析獲取所需數據類型和敏感度級別，構建數據庫的數據節點。其次，為數據節點提供安全算法，與數據節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據提供足夠的安全性。但該方法進行云存儲動態半結構化數據轉換時的自適應性欠佳，統計分析能力不強。文獻[5]提出基于模式未知的半結構化數據分析方法，利用多源適應多標簽分類框架，根據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度。該方法進行半結構化數據轉換時的解密性能欠佳，數據轉換輸出誤碼率較高。

針對上述問題，本文提出基于元數據管理的半結構化數據安全轉換方法。首先，構建云存儲動態半結構化數據的Hash編碼模型，通過動態隨機碼元調制方法、元數據管理以及參數模糊度辨識方法，實現半結構化數據安全轉換和多屬性群決策。然后，提取數據元特征，結合信息聚類和自適應學習方法，實現半結構化數據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據安全轉換能力方面的優越性能。

1 半結構化數據編碼設計和碼元調制

1.1 半結構化數據編碼設計

為了實現基于元數據管理的半結構化數據安全轉換，構建云存儲動態半結構化數據的Hash編碼模型，采用動態隨機碼元調制方法進行數據編碼和輸出轉換控制設計[6]。假設云存儲動態半結構化數據的時間分布序列為Xn，n為原始待分區的云存儲動態半結構化數據特征分布集。在模糊時間序列分析處理下，得到云存儲動態半結構化數據傳輸的動態模糊特征分布序列，表示為XN=Xn+η。其中，η為云存儲動態半結構數據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，構建云存儲動態半結構化數據的模糊時間分布模型，得到非隸屬度特征匹配參數輸出：

(1)

根據動態隨機碼元調制方法，在固定的融合空間分布模型中，得到云存儲動態半結構化數據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為結合統計時間的大數據序列。

根據線性控制方法，得到云存儲動態半結構化數據的演化特征參數：

(3)

根據動態隨機碼元的轉換控制，得到云存儲動態半結構化數據自適應編碼的算術密鑰協議：

(4)

式中：X為云存儲動態半結構化數據自適應編碼的算術密鑰協議。

在上述模糊調度集中，通過元數據管理，得到云存儲動態半結構化數據設計重構的特征值：

(5)

式中：Er為重構特征值；σ1為半結構數據分布的文件的第1個數據塊；σ2為半結構數據分布的文件的第2個數據塊；σr為半結構數據分布的文件的第r個數據塊。

在更新策略下，得到數據組密鑰，采用分組交換的方法實現云存儲動態半結構化數據動態分析和聚類。

1.2 半結構化數據碼元調制設計

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

p0,0=t(σz+y)

(6)

式中：p0,0為模糊屬性分區交換模型；t為數據采樣的時間間隔；σz為數據碼元分布；y為Hash函數動態分配。

根據云存儲動態半結構數據樣本的密度取值[9-11]，得到非邊緣點融合區域內的動態碼元調制密度特征量：

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

(7)

(8)

式中：I(Q,S)為動態碼元調制密度特征量，Q為碼元瞬時特性特征參數，S為碼元瞬時延續性特征參數；H(S)為動態碼元調制密度估計值；H(Q|S)為數據調制中產生的同相數據輸出；H(Q|si)為數據調制中產生的正交數據輸出；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。

云存儲動態半結構化數據的碼元調制輸出為：

(9)

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

采用先驗樣本分析，得到云存儲動態半結構化數據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為云存儲動態半結構化數據邊緣節點分布情況；r為碼元分割點。

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

2 數據安全轉換優化設計

2.1 半結構化數據的元數據管理設計

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

Kwpg=H(Q|si)+d(ωi,k)

(11)

式中：Kwpg(x,y,wi)為數據融合參數匹配集；d(ωi,k)為云存儲動態半結構化數據動態融合的適應度算子。

根據半結構化數據安全轉換，得到云存儲動態半結構化數據的粗糙集特征量，為：

Wx=X(v+k)X×Kwpg

(12)

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

根據云存儲動態半結構化數據中的用戶行為分布時頻特征提取復共軛，實現半結構化數據安全轉換和多屬性群決策；建立云存儲動態半結構化數據對偶模糊信息之間相關關系實現數據元特征提取，得到元數據管理的動態參數元數據管理模型。

2.2 數據安全轉換自適應控制

在上述對云存儲動態半結構化數據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，實現云存儲動態半結構化數據的加密轉換，以提高數據轉換的安全性。設云存儲動態半結構化數據加密密鑰協議的分布幅值為A、數據聯合特征分解的離散序列分布為x(t)，采用時頻特征分解，得到云存儲動態半結構化數據加密安全轉換輸出，為：

(13)

式中：x(y+gi)為前期數據存儲結構數據實現分組檢測結果，y為數據組數量，gi為數據項；x*(ui)為元數據分布序列，ui為數據結構；e為數據安全系數。

基于混沌稀疏性重排，得到云存儲動態半結構化數據加密的密鑰傳輸控制協議，為：

W(X)=[s1,s2,sK]n×Wx

(14)

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

根據云存儲動態半結構化數據用戶行為屬性數據采樣的時間延遲，構建相空間的嵌入維數，得到云存儲動態半結構化數據的稀疏性散亂特征點。在此基礎上，建立云存儲動態半結構化數據對偶模糊信息之間的相關關系，實現數據元特征提取，表示為：

(15)

式中：μik為數據元特征種類；Kψ為元數據特征。

根據元特征提取結果，得到數據分布的聯合空間指向性特征分布，為：

(16)

式中：xn,G為數據分布的聯合空間指向性特征分布；G為數據特征分布采樣頻率；Δxi為數據梯度分布特征量。

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

xn+1=(Xn-2τ)n×xn,G

(17)

式中：xn+1為元數據轉換輸出的統計時間序列分量；Xn-2τ為時間序列聚類。

根據上述處理，通過網格融合聚類分析方法[16]，實現云存儲動態半結構化數據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云存儲動態半結構化數據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 試驗參數設置

設置云存儲動態半結構化數據存儲的網格數量為14×24，網格對象的密度值為0.35，云存儲動態半結構化數據采樣的長度為1 024，樣本數據為700個，測試集規模為120，規范化殘差特征分布系數為1.26。在此基礎上，進行仿真試驗。

3.2 試驗結果分析

云存儲動態半結構化數據分布如圖1所示。

圖1 云存儲動態半結構化數據分布Fig.1 Cloud storage dynamic semi-structured data distribution

以圖1所示數據為研究對象，對云存儲動態半結構化數據進行加密安全轉換。云存儲動態半結構化數據安全轉換輸出結果如圖2所示。

圖2 云存儲動態半結構化數據安全轉換輸出結果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半結構化數據轉換的輸出安全性較好，抗攻擊能力和隱私性明顯優于其他兩種方法。由于本文方法采用時頻特征分解方法，得到云存儲動態半結構化數據加密安全轉換輸出，在此基礎上結合信息聚類和自適應學習方法，實現了半結構化數據安全轉換和編碼控制，從而提升了半結構化數據安全轉換輸出的安全系數。

測試數據轉換的收斂曲線如圖3所示。

圖3 測試數據轉換的收斂曲線Fig.3 Convergences curves of test data conversion

由圖3可知，本文方法進行數據安全轉換時的收斂穩態性較好，比另外兩種方法更具有安全性與真實性。云存儲動態半結構化數據轉換輸出的誤碼率如表1所示。

表1 云存儲動態半結構化數據轉換輸出的誤碼率Tab.1 BER of dynamic semi-structured dataconversion output of cloud storage

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

4 結論

針對傳統方法的半結構化數據安全轉換能力較差、數據轉換輸出誤碼率較高的問題，本文提出基于元數據管理的半結構化數據安全轉換方法：構建云存儲動態半結構化數據的Hash編碼模型；采用動態隨機碼元調制方法，進行數據編碼和輸出轉換控制設計；采用元數據管理和參數模糊度辨識的方法，實現數據調制和融合。根據空間特征匹配的方法構建數據安全轉換，得到云存儲動態半結構化數據的粗糙集特征量。建立云存儲動態半結構化數據對偶模糊信息之間的相關關系，實現數據元特征的提取實現半結構化數據的安全轉化和加密。分析試驗結果可知，采用本文方法的半結構化數據安全轉換的穩定性較高、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。