基于神經網絡的數據安全加密系統設計和實現

胥素芳

摘要：為了保障數據安全性，提升數據加密與解密工作效率，文章設計并實現了基于神經網絡的數據安全加密系統，建立源碼、譯碼，確定數據防泄露編碼原則，將專用控制模塊用于系統的編解碼器設計，并在RAM模塊設計并行讀寫的功能模塊，成功搭建數據收發過程防泄露加密模塊，實現了數據防泄露加密系統的順利應用．經實驗結果證明，基于神經網絡的數據安全加密系統，在解決數據加密行為不可控，充分保證數據安全的基礎上，可以同時處理海量數據，縮短等待譯碼的耗時。

關鍵詞：神經網絡：數據安全：加密模塊：系統設計

中圖分類號：TP311

文獻標志碼：A

0 引言

神經網絡作為多個信息處理單位所組成的網絡應用結構體系，每一個信息處理單位都是獨立神經元節點，這些節點間構成關聯要遵循相互作用強度限制法則。在實際應用中，由于存在數據庫主機，在傳輸數據直至存儲之前，都需經過多次分類處理，一方面可以最大化確保數據信息完整性，另一方面可避免發生信息干擾行為[1]。近年來，數據量與日遞增，進一步加劇了互聯網環境的復雜度，數據加密處理易受多方不可控因素影響，破壞信息加密傳輸的安全性。為了解決這一問題，本文利用神經網絡優勢，設計數據安全加密系統，與數據收發器、譯碼文件聯合搭設系統軟硬件，完成數據安全加密處理。

1 神經網絡加密算法原理

為了在短時間內完成網絡計算，保證整個加密過程的安全性，引入Hopfield神經網絡，提高數據加密與解密工作效率。離散Hopfield神經網絡內共計包含Ⅳ個互聯神經元，每一個神經元為0或1．各神經元所處狀態，將直接決定下一個神經元Si（t+1）的狀態，公式為[2]：

式（1）中：i，j兩個神經元間用Tij表示二者連接權值；！神經元閾值用0，表示（一般取值為0）；符號函數用f（x）表示。

聯想神經網絡本身作為有限的記憶容量，在面對遠超自身存儲容量的樣本數據量情況下，這種現象被稱為過飽和HNN。面對過飽和HNN在Hopfield神經網絡中，未按照Hamming最小規則聯想混沌吸引子，在神經元個數增加中隨之增加混沌吸引子個數，每一個吸引域內狀態信息不可測，每一個吸引子及對應吸引域，可能由于連接突觸矩陣發生改變而隨之改變。將隨機變換矩陣H引入其中后，原初始狀態S與吸引子S將形成全新初始狀態S與吸引子S。

2 數據安全加密系統硬件設計

2.1 神經網絡框架

本次系統設計神經網絡框架主要包括源數據輸入、數據遞歸、神經性應用、輸出源碼4大節點。整個過程由源數據輸入節點先對全部待運輸原始訓練數據進行整合，向網絡各神經元按需分配，接著由數據遞歸各結點負責接收數據信息參量，與此同時，建立與下一節點之間的數據信息傳輸關聯，神經性應用節點負責整合原始數據信息參量，向輸出源碼多極化傳輸。輸出源碼這一節點在整個神經網絡框架中，占用狀態自始至終比較活躍，可以完整接收整個神經網絡環境中的信號，向不同遞歸結點傳輸轉存[3]。

2.2 數據收發器

數據收發器主要負責描述神經網絡在整個狀態空間中的信息軌跡行為具體變化，源數據輸入量的不斷增加，神經網絡中的數據遞歸信號連接狀態也會隨之改變，由面型轉變至線型。整個神經網絡中，此類型結構元件數據傳輸行為并不會跟隨數據量樣本的軌跡行為變化而改變。受神經網絡中的影響促進作用，數據收發器通常具備數據信號初始化處理的關鍵元件，加上存在訓練性傳輸行為，神經網絡框架中可以直接控制原件信息傳輸行為，直至原始數據信息樣本編碼執行率穩定。

2.3 信息防泄露加密

信息防露加密模塊主要是為了預防原始數據密碼泄露，作為數據加密系統中的核心執行設備，包括緩存文件、讀寫樣本信息、處理緩存數據等多元件（見圖1）。首先，文件緩存設備主要設于信息防泄露加密功能頂層執行層，此單元層在緩沖讀寫指令之后，即可進行原始訓練樣本防泄露加密處理，也可利用輸出信道在系統的數據庫功能存儲信息參量[4]。緩存數據處理設備在此子模塊中的底層執行單元，隨時負責讀寫增加的數據樣本信息，并及時更改設備結構體內的信息存儲權限，從而滿足功能執行過程中的實際所需。

3 數據加密系統軟件設計

3.1 源碼文件

為了保證本次設計此數據加密系統的安全性，對原始訓練數據樣本設計防泄露編碼處理時的源碼文件必不可少。通常要以數據信息參量的主要存在形式為依據，完成編碼原則的制定。對于神經網絡來說，原始訓練數據樣本的存儲值越大，解碼后生成相應的信息參量就會有越高的樣本數量級水平。在既定編碼時間內，基本保持穩定的譯碼參量指標值，假設單位時間內，原始訓練數據樣本的防泄露源碼條件變化量用△P表示，通常編碼指令所需傳輸用時不變，就不會影響此項樣本數值水平。對有關于原始訓練數據樣本的密碼編譯條件，用λ表示，在上述物理量支持作用下，定義神經網絡源碼文件公式如下[5]：

式（2）中：防泄露數據密碼最小、最大的兩個傳輸條件分別用eo，en表示；兩個不同原始訓練數據樣本的轉碼條件分別用u1，u2：表示。

3.2 譯碼文件

譯碼文件作為密切相關于原始訓練數據樣本的密碼轉錄樣本，一般源碼文件會直接對譯碼文件的參量存在形式產生影響，二者之間有重大關聯，表示為源碼文件作為主動變量，而譯碼文件作為跟隨變量。假定在神經網絡中的最小、最大的兩個數據信息防泄露編碼條件，分別用x0，xn表示，通常來說，這兩個條件物理空間實值大小，將直接決定譯碼文件覆蓋數據傳輸范圍的大小。這樣的話原始訓練數據譯碼文件定義公式如下[6]：

式（3）中：原始訓練數據初級防泄露編碼條件，與引申級防泄露編碼條件，分別用r1，r2表示，數據樣本信息的訓練編碼均值量用M2表示。

3.3 編碼原則

建立編碼原則作為基于神經網絡數據防泄露密碼生成系統中的末端處理重要環節，能夠在現有數據信息存儲樣本條件下，確定生成譯碼指令所需耗時，在第一時間有效抑制非主觀訓練數據信息出現錯誤傳輸。定義f1為首個原始訓練數據樣本防泄露編碼的參量，相應的第n個參量為fn。在并不考慮神經網絡其他信息參量指標，影響原始訓練數據量的傳輸前提下，恒成立fn>f1。假設既定數據密碼轉錄系數用p表示，定義本次設計此加密系統的執行編碼要滿足條件公式如下：

式（4）中：原始訓練數據輸入值在0情況下，數據信息防泄露要滿足的編碼條件用k0表示；密碼樣本內信息轉錄實值用x表示。

綜上所述，在本次設計基于神經網絡的數據安全加密系統軟硬件環境下，順利實現原始訓練數據集的安全防泄露。

4 系統測試

4.1 測試設計

為了對本次設計數據安全加密系統的原始訓練數據防泄露系統價值進行驗證，本次測試設計數據防泄露編碼處理網絡，在服務器終端分別接入實驗組、對照組的編碼主機。在保證不改變其他基礎實驗條件這一前提下，在神經網絡原始數據防泄露加密系統中搭載實驗組主機，與對照組的傳統過程監控系統對比分析數據安全加密情況。

4.2 測試結果

以20 min作為一次數據加密單位時長，分別記錄在3個單位時間內，兩組原始訓練數據的安全加密處理情況（見表1）。

根據表1結果可以發現，本文設計的基于數據安全加密系統，在每個單位時長內對原始訓練數據的處理量都呈現極為明顯的上升趨勢，鄰近兩單位時長內，發生小幅度下降。對照組訓練數據量則在實驗前期持續上升，直至第2個單位時長上升趨勢逐漸衰減。因此，證明了在同一系統單位內，隨著原始訓練數據量的不斷增加，基于神經網絡的數據安全加密系統更能滿足原始數據傳輸安全加密應用所需。

在數據信息總量持續遞增情況下，基于神經網絡的數據安全加密系統譯碼耗時情況如表2所示。

由表2可知，此基于神經網絡的數據安全加密系統中，安全加密澤碼耗時在上升之后，逐漸趨于穩定，最后出現下降的變化趨勢，但是相比之下，對照組耗時不斷增加，實驗組的譯碼耗時明顯較短，證明基于神經網絡的數據安全加密系統能夠有效控制數據信息譯碼耗時。

5 結語

本次設計基于神經網絡的數據安全加密系統，能夠滿足日常應用實用性所需，不僅可以縮短數據信息譯碼耗時，還能擴充單位時間內的信息數據處理量，極大地提高了數據傳輸存儲-廠-作效率，也明顯加強了數據安全性。

參考文獻

[1]關一凡，劉立東，蔣東華，等．基于混沌Hopfield神經網絡視覺意義的圖像加密算法[J]．電子設計工程，2022（7）：144-149．

[2]謝四江，許世聰，章樂．基于同態加密的卷積神經網絡前向傳播方法[J]．計算機應用與軟件，2020（2）：295-300，312．

[3]查毅，馮宏偉．基于卷積神經網絡的運動輔助決策系統設計[J]．電子設計工程，2021（ 15）：111 -114，119．

[4]李西明，吳嘉潤，吳少乾，等．基于生成對抗網絡的抗泄露加密算法研究[J]．計算機工程與應用，2020（ 10）：69-74．

[5]肖成龍，孫穎，林邦姜，等．基于神經網絡與復合離散混沌系統的雙重加密方法[J]．電子與信息學報，2020（3）：687-694．

[6]黎學軍，苗苗，李慶宇，等．一種基于神經網絡的圖像加密算法[J]．大連工業大學學報，2021（ 5）：358-366．

（編輯傅金睿）