王志剛，王辰陽，李恒武

(中國人民解放軍戰略支援部隊信息工程大學，河南 鄭州 450001)

1 引言

互聯網中數量眾多的多維異構數據被匯集在一起，形成了全球規模的信息共享環境。為貼合用戶實際搜索需要，需要推送的數據呈現出多樣化的趨勢。在保障數據安全性的同時，為用戶提供可靠的信息推送服務，是目前通信領域研究的重要目標。

針對信息推送相關問題，周長敏等以旅游信息為例，提出一種旅游信息適應性自組織推送方法。通過求解目標使用者及其他使用者間的相似度，探尋目標使用者的最近鄰集合。采用模糊遺傳算法明確加權函數，計算目標使用者對某旅游項目興趣度預測值，把預測值最高的旅游項目推送給使用者。但該方法耗時較長，且數據推送存在偏差情況。張雪峰等構建一種參與者勝任度和接受度的任務推送模型。在模型中提出識別潛在參與者的思路和過程，運用啟發式相似度算法分析任務相似度，描述并量化參與者表現。確保參與者回復率，降低多次推送。但該方法推送應用范圍存在一定局限性。

為進一步完善數據推送性能，提出多維異構網絡數據智能預加密云推送方法。通過分析多維異構網絡數據特征，劃分同構與異構數據。并在確保推送數據隱私前提下，創建云推送平臺，解決多維異構網絡數據推送問題，實時為用戶推送最新信息。

2 多維異構網絡數據智能預加密云推送

2.1 多維異構網絡數據特征分析

對異構數據的分析不足，致使在推送過程中的速率較低。因此運用分布于不同云服務器內的云數據獲取數據主成分，并把各個關鍵數據成分值

X

和給予的

μ

值相減，就能明確該成分在方向內的偏移值，將異構數據的關鍵數據成分值

X

引入矩陣

S

，得到

S

=[

X

，

X

，…，

X

]

(1)

把矩陣

S

與其轉置矩陣

S

相乘，計算求解數值的均值大小。將均值記作數據的全局異構水準，具體表示為

(2)

式(1)中，

μ

代表按照評估得到的權重值，

N

是樣本總數，因為

V

是已知值，所以此數據樣本的異構水準可使用特征值

V

進行描述。若出現多維異構數據需要推送，此時每個數據的主成分不能劃分成

X

-

X

，需要將

X

轉變成

X

，因此矩陣

S

變化為

(3)

(4)

在云數據中，即便擁有大量的多維異構數據，但還存在一定數量的同構數據。在用戶需要推送內容是同構數據情況下，采用協方差矩陣根據其數據特征進行矢量分解，分解同構數據就可得到更加高效的推送模式，無需在每個點采取重復迭代，節約數據通信時間。

(5)

(6)

因此在每個云數據樣本足夠的狀態下，推算同構數據的精確度較高。因為同構數據的自身屬性問題，將此增量更新解析式記作

(7)

(8)

在以上計算過程中能夠得出，協方差矩陣具備一定對稱性，在進行云推送時，同構數據每次更新僅需要傳輸半個協方差矩陣即可，減少了數據傳輸數量。假如網絡系統個數是

M

，參數數量是

d

，同構數據計算過程的時間復雜度是

O

(

M

，

d

)=(

M

-1)(

d

(

d

+1)

/

lg

d

)

(9)

多維異構數據是對同構數據關鍵成分采取拓展的一種形式。為了便于數學運算，加入置換矩陣

P

，對云服務器內得到的樣本實施置換映射，將計算結果表示成

y

y

=(

y

，

y

)=

P

X

(10)

式(10)目的是為了把目前樣本內和同構數據內相等的部分集合在矢量前面，記作

y

，把不同部分安放于矢量后面，記作

y

。同理，將均值矩陣與協方差矩陣采取置換，計算結果依次為

μ

=(

μ

，

μ

)=

P

μ

(11)

(12)

μ

與置換矩陣均為上次計算得到的數值，

σ

表示

m

樣本內已經獲得的協方差矩陣，

σ

表示和同構數據內不同因子的協方差矩陣，

σ

表示兩者之間協方差組成的矩陣。

上述解析式均滿足高維分布特性，因此云數據樣本能夠使用高維分布進行推算，具體描述為

(13)

由此，將信息云更新后推送異構數據的解析式定義為

(14)

因為在異構數據內，各種云數據的因子數量是互不相等的，所以需要探尋每個

N

的具體數值。因為轉置矩陣可以減少數據傳輸數量，繼而把傳輸復雜度記作

O

(

M

，

d

)=(

M

-1)(

d

+2

d

)

(15)

通過上述過程，能夠完成迅速分離數據源內的同構數據和異構數據，為后續數據智能預加密效率與云推送方法的有效完成提供幫助。

2.2 數據智能預加密計算

預加密可以保護數據隱私，是提高云推送服務安全性能的一項關鍵措施，但數據加密后會損失多種特征，讓云服務器對密文的處理有相當困難。由此，使用全同態加密算法完成加法同態與乘法同態，讓云服務器不必接觸明文數據就可以便利地處理推送數據。

E

(

m

⊕

m

)=

E

(

m

)?

E

(

m

)

(16)

同態，就是一個加密方案

E

符合式(16)的約束條件的計算過程。式(16)中，

m

、

m

表示明文消息，

E

表示加密函數，?是密文的某類計算形式，⊕是對明文進行計算的某種形式。在實施數據智能預加密時，首先要使用全同態加密算法對明文進行加密。然后把密文數據輸送至云端，在傳送數據處理請求時，云端服務器不用對密文解密就能實現對應操作。全同態加密流程共包含三個步驟：對明文數據采取二進制分組，分組長度按照安全請求進行自定義操控；對各明文分塊進行加密，獲得相對應的密文分塊；把全部密文分塊融合為完整的密文數據

C

。加密詳細過程為：挑選加密參變量

P

、

Q

、

R

，

P

為正奇數，

Q

為正整數。

P

、

Q

值在密鑰生成階段進行確認，

P

為加密密鑰，

R

為加密過程中挑選的隨機數值；把消息

M

分組成多個長度是

L

的消息分塊；

分別讀取明文分塊內的字符，同時將其變換成二進制數字；采用加密算法對二進制數字實施加密操作，具體如式(17)所示。并將多個密文分塊整合為完整的密文數據。

c

=

m

+2

R

+

PQ

(17)

按照全同態加密算法性質，依次對此算法的加法同態與乘法同態性實行驗證。如果有兩組明文

m

、

m

，加密之后的密文依次是

c

、

c

，繼而得到

c

=

m

+2

R

+

PQ

(18)

c

=

m

+2

R

+

PQ

(19)

對密文

c

、

c

采取加法操作

c

+

c

=(

m

+

m

)+2(

R

+

R

)+

P

(

Q

+

Q

)

(20)

將 cm

od

p

的值當作噪聲，若噪聲

m

+2

R

<

P/

2的情況下，得到(

c

+

c

)mod

p

=(

m

+

m

)+2(

R

+

R

)

(21)

將(

m

+

m

)+2(

R

+

R

)進行對2取模

m

+

m

=[(

m

+

m

)+2(

R

+

R

)]mod 2

(22)

由式(22)中可知，本文算法符合加法同態性。同理，對密文

c

、

c

實施乘法操作

c

×

c

=

m

m

+2(2

R

R

+

m

R

+

m

R

)+

P

[

PQ

Q

+

Q

(

m

+2

R

)+

Q

(

m

+2

R

)]

(23)

因為

m

m

+2(2

R

R

+

m

R

+

m

R

)<

P

(24)

所以，對

P

與2依次取模得到

m

m

=[(

c

×

c

)mod

p

]mod 2

(25)

至此可知，本文數據智能預加密算法符合乘法同態性，可以實現數據智能預加密。

2.3 基于對數優化的云推送平臺設計

在對數據智能預加密后，設計云推送平臺。云推送表示處于云計算大環境下，客戶端接收經過服務端主動輸送消息的技術，讓用戶無需主動檢查更新，為用戶提供更多的便利服務。與此同時，云服務器端會使用云推送平臺把每個系統內的多維異構數據推送至用戶。本文云推送方法關鍵有如下幾個方面：

云數據層作為全局云推送平臺最重要的部分，云數據是通過每個系統內的多維異構數據組成的，全部數據都屬于云數據層，并讓云數據層更好地完成數據邏輯虛擬化目標；數據管理層為云推送平臺邏輯框架的中心，是實現云推送過程中數據和推送同步進行的關鍵工作層；在應用接口層中，用戶能夠利用訂閱不同的應用板塊對應用接口層進行自動配置，得到不同的數據儲存、訪問的應用服務；訪問層中，授權用戶能使用對應接口完成系統數據訪問，并按照用戶訪問權限不同，每種用戶訪問的形式也各不相等；用戶層擔負對每個用戶的注冊信息進行整合，并且也能管理各類型的登錄終端，例如

IOS

、

PC

等。具體平臺架構如圖1所示。

圖1 云推送平臺架構圖

若處在隨機時間單元

T

中，單個用戶訂購業務個數是

α

(

T

)，那么

n

個用戶的訂購業務總數是

n

α

(

T

)，已知

α

(

T

)滿足泊松分布，均值參數是

λ

，把現階段用戶

i

在信道內存留的數據積壓描述成

Q

(

T

)，信道狀態是

r

(

T

)，那么用戶集群信道狀態集合是

r

(

T

)=(

r

(

T

)，

r

(

T

)，…，

r

(

T

))

(26)

在得到信道狀態后，能夠準確推算用戶的信道輸送速度

u

(

T

)。假如全部

T

單元中用戶

i

的傳輸時間間隔總數是

w

(

T

)，得到用戶的全信道速度

u

(

T

)=

w

(

T

)

μ

(

T

)

τ

(27)

所以，將信道內單個用戶的服務速度集記作

u

(

T

)=(

u

(

T

)，

u

(

T

)，…，

u

(

T

))

(28)

總結上述步驟，獲得信道內的動態數據積壓總數是

Q

(

T

+1)=max[

Q

(

T

)-

u

(

T

)，0]+

n

α

(

T

)

(29)

評估云推送平臺穩定性條件為

(30)

如果

T

時段中用戶信道數據傳輸功率是

ρ

(

T

)，把用戶數據能耗與所有用戶的能耗總量分別描述為

E

(

T

)=

ρ

(

T

)

w

(

T

)

τ

(31)

在式(31)前提下計算基于推送策略的李雅普諾夫函數公式

(32)

為了判斷單元時間中函數的詳細變化情況，本文創建一種新的函數表達式

Δ(

T

)=

E

{ln(

L

(

T

+1)-

L

(

T

))|

Q

(

T

)}

(33)

式(33)的函數表達式關鍵對李雅普諾夫函數的優化進行對數計算，即為降低信道自身傳輸噪聲的干擾作用，減少噪聲敏銳性。關于時間單元

T

，把李雅普諾夫函數的乘法函數記作

VE

{

E

(

T

)|

Q

(

T

)}。

在獲取最低能耗值狀況下，把現階段最優業務個數描述成式(34)。

(34)

在確保數據安全同時，有效解決多維異構網絡數據跨平臺推送問題，快捷高效地為用戶推送最新信息。

3 仿真與分析

在本節中，展示了實驗環境和性能指標，并對實驗結果進行了主要分析。

3.1 實驗環境

此次仿真使用EXE文件修改器與OpenStack軟件模擬構建私有推送平臺。設置該平臺5個物理節點，并通過100Mbps局域網重新連接。實驗數據來自明尼蘇達大學相關的研究小組公布的真實數據集MovieLens，每個物理節點均配備了Intel(R) Pentium(R) CPU G4400 @ 3.30GHz，8GB RAM，64位中文版操作系統。測試的客戶端型號為Xiaomi mix3，內存6GB，曉龍845 CPU。仿真內，設定數據傳輸速分布是450kbit/s的負指數分布，最高傳輸速率是1100kbit。

為了驗證所提方法可靠性，將通信率及推送留存率當作云推送方法評估的三項指標，對所提方法與云計算環境下旅游信息適應性自組織推送算法(文獻[4])、眾包模式下基于參與者勝任度和接受度的任務推送模型(文獻[5])方法進行仿真對比。

3.2 通信率對比實驗

通信率表示單位時間內，用戶和云推送的通信次數，檢驗用戶是否愿意采用該方法實施數據推送，同時檢測通信數量較多時能否發生不可估計的復雜問題。通信率越低說明數據云推送過程所花費的通信量越少，推送效果越好。基于上述實驗環境，計算三種方法的通信率，得到仿真結果如圖2所示。

圖2 通信率對比示意圖

從圖2中可知，兩種文獻推送方法下的通信率基本維持不變，這是因為在推送任務隊列消息過程中，會持續向服務器發送請求。而所提方法一直保持信息收集狀態，伴隨系統運行，任務量增加，通信率最低為1.55%。因為所提方法利用了協方差矩陣根據數據特征，對數據源內的同構、異構數據進行了快速分類，使得后續推送穩定性能較優，即任務數量越多，耗費的通信量越低。

3.3 留存率對比實驗

留存率表示固定時段中，用戶保存此推送消息的比率，可以體現推送方法對用戶的影響程度。實驗以1～8周的信息留存時間作為實驗周期，得出三種方法下的推送留存率如圖3所示。

圖3 推送留存率對比圖

圖3仿真結果表明，所提方法通過預加密方式維護了云推送服務安全，因此每個星期的留存率均高于文獻[4]、文獻[5]方法，8個星期后兩種文獻方法的留存率已經低于32%，而所提方法的留存率高達58%，說明所提出的推送方法較符合用戶實際需要，推送的消息更可靠，安全性較高。

4 結論

針對多維異構網絡數據推送效率不高等問題，提出一種基于對數優化的數據智能預加密云推送方法。運用智能預加密手段實現多維異構網絡的安全推送，仿真結果證明，該方法可以為用戶提供及時有效信息推送服務。但該方法能否符合全部用戶需求，還要進行具體驗證，云推送自身性能的提高與演化也是接下來研究的關鍵內容。