基于弱無回溯模式匹配算法的敏感大數(shù)據(jù)安全分級檢測方法

摘"要：隨著信息技術的廣泛應用，敏感大數(shù)據(jù)在傳輸和存儲過程中存在隱私泄露、數(shù)據(jù)濫用、安全風險等問題。為了提高敏感大數(shù)據(jù)的安全性，提出了一種基于弱無回溯模式匹配算法的敏感大數(shù)據(jù)安全分級檢測方法。建立協(xié)方差矩陣構建敏感大數(shù)據(jù)樣本庫，設定約束條件同構嵌入敏感大數(shù)據(jù)子圖，采用弱無回溯模式匹配算法回溯匹配敏感大數(shù)據(jù)查詢圖索引，降低計算復雜度。利用核函數(shù)映射查詢圖特征向量，提高敏感大數(shù)據(jù)識別準確度，以剪枝的方式完成敏感大數(shù)據(jù)特征相似性匹配。通過相似度指數(shù)函數(shù)計算敏感因子，劃分敏感大數(shù)據(jù)安全等級，完成自動化分級檢測。實驗結果表明：所提方法的敏感大數(shù)據(jù)安全分級準確度為100%、特征匹配耗時為2.7"s、收斂速度為0.44。由此證明，所提方法能夠有效保護敏感大數(shù)據(jù)安全，在數(shù)據(jù)傳輸和存儲中具有較高的實際應用價值。

關鍵詞：弱無回溯模式匹配算法；協(xié)方差矩陣；相似度指數(shù)函數(shù)；敏感大數(shù)據(jù)

中圖分類號：TP399""""""文獻標識碼：A

Sensitive"Big"Data"Security"Hierarchical"Detection"Method"

Based"on"Weak"Backtracking"Pattern"Matching"Algorithm

ZHANG"Haiming，WANG"Yifei，NA"Qionglan，WANG"Sen，WEN"Xin，YAO"Yanli

（State"Grid"Jibei"Information"and"Telecommunication"Company，Beijing"100053）

Abstract：With"the"wide"application"of"information"technology，"there"are"some"problems"in"the"transmission"and"storage"of"sensitive"big"data，"such"as"privacy"leakage，"data"abuse"and"security"risks."In"order"to"improve"the"security"of"sensitive"big"data，"this"paper"proposes"a"hierarchical"detection"method"of"sensitive"big"data"security"based"on"weak"backtracking"pattern"matching"algorithm."Establishing"covariance"matrix"and"constructing"sensitive"big"data"sample"database."Set"constraints"to"isomorphically"embed"sensitive"big"data"subgraphs，"and"use"weak"backtracking"pattern"matching"algorithm"to"backtrack"the"index"of"sensitive"big"data"query"graph，"which"reduces"the"computational"complexity."Kernel"function"is"used"to"map"the"feature"vector"of"query"graph"to"improve"the"recognition"accuracy"of"sensitive"big"data，"and"the"similarity"matching"of"sensitive"big"data"features"is"completed"by"pruning."The"sensitivity"factor"is"calculated"by"similarity"index"function，"and"the"security"level"of"sensitive"big"data"is"divided，"thus"completing"automatic"hierarchical"detection."The"experimental"results"show"that"the"accuracy"of"sensitive"big"data"security"classification"is"100%，"the"time"for"feature"matching"is"2.7"s，"and"the"convergence"speed"is"0.44."This"proves"that"the"proposed"method"can"effectively"protect"the"security"of"sensitive"big"data"and"has"high"practical"application"value"in"data"transmission"and"storage.

Key"words：weak"backtracking"pattern"matching"algorithm;"covariance"matrix;"similarity"index"function;"sensitive"big"data

隨著信息技術的飛速發(fā)展，大數(shù)據(jù)已成為當今社會中的一個重要組成部分。大數(shù)據(jù)的產(chǎn)生和存儲量均呈指數(shù)級增長，其中包含了大量敏感數(shù)據(jù)，如個人身份信息[1]、財務數(shù)據(jù)[2]、醫(yī)療記錄[3]等。敏感大數(shù)據(jù)的泄露和濫用可能會導致個人隱私的曝光，對個人身份、實名認證信息等構成威脅[4]。因此，保護敏感大數(shù)據(jù)的安全至關重要。已有學者探索了多種數(shù)據(jù)類型的安全檢測方法。王瑋等[5]提出了一種基于數(shù)據(jù)挖掘的信息安全檢測方法，結合軌道交通信息系統(tǒng)中異常數(shù)據(jù)占比較少特點，構建單分類支持向量機模型。采用超平面法將正常數(shù)據(jù)和入侵數(shù)據(jù)進行分類，實現(xiàn)網(wǎng)絡入侵行為的有效檢測。但是，該方法計算算力有待進一步驗證。高麗杰等[6]設計了一種RSA公鑰加密機制，用于大數(shù)據(jù)安全性雙向檢測。根據(jù)用戶的安全需求度選擇不同的數(shù)據(jù)安全度，引入分類算法聚類評價指標，采用距離函數(shù)組合不同權值，獲取大數(shù)據(jù)安全性雙向檢測結果。但是，該方法在大規(guī)模數(shù)據(jù)集處理中的檢測準確率有待進一步提高。

弱無回溯模式匹配算法是一種用在大規(guī)模數(shù)據(jù)集中處理和分析匹配任務的算法，具有計算算力較高的特點，能夠在海量數(shù)據(jù)中快速完成模式匹配。弱無回溯模式匹配算法通過減少或避免回溯操作，提高大規(guī)模數(shù)據(jù)匹配和搜索效率。在敏感大數(shù)據(jù)的安全分級檢測方面，弱無回溯模式匹配算法的應用相對較少。基于此，本文引入弱無回溯模式匹配算法，提出一種新的敏感大數(shù)據(jù)安全分級檢測方法，旨在解決當前大數(shù)據(jù)環(huán)境下的安全問題。建立協(xié)方差矩陣捕捉不同敏感大數(shù)據(jù)之間的相關性，構建敏感大數(shù)據(jù)樣本庫，以便更好地表示敏感大數(shù)據(jù)屬性。設定約束條件，將敏感大數(shù)據(jù)子圖同構嵌入到樣本庫，確保敏感大數(shù)據(jù)特征得到保留，有助于后續(xù)的特征相似性匹配。采用弱無回溯模式匹配算法回溯匹配敏感大數(shù)據(jù)查詢圖索引，識別與查詢圖相似的敏感大數(shù)據(jù)樣本。使用核函數(shù)將查詢圖映射到高維空間，轉換查詢圖特征向量，使敏感大數(shù)據(jù)更易分類。采用剪枝的方式篩選與查詢圖相似度高的敏感大數(shù)據(jù)樣本，完成特征相似性匹配。利用相似度指數(shù)函數(shù)計算敏感因子，根據(jù)敏感因子結果大小劃分敏感大數(shù)據(jù)安全等級，以自動化對敏感大數(shù)據(jù)的分級檢測，為后續(xù)的安全管理和控制提供數(shù)據(jù)依據(jù)。

1"敏感大數(shù)據(jù)安全分級檢測方法

1.1nbsp;構建敏感大數(shù)據(jù)樣本庫

樣本庫是敏感大數(shù)據(jù)特征匹配的基礎，收集業(yè)務中產(chǎn)生、使用的敏感大數(shù)據(jù)分量形成樣本庫，能夠有效提高非線性數(shù)據(jù)的處理能力，并提高敏感大數(shù)據(jù)的質量和準確性。設定cl為第l個敏感大數(shù)據(jù)分量，其中l(wèi)=1，2，…，n，建立協(xié)方差矩陣[7]，捕捉不同敏感大數(shù)據(jù)之間的相關性：

Vl=∑Ml=1clτ（1）

式中，M為敏感大數(shù)據(jù)總體數(shù)量；τ為敏感大數(shù)據(jù)累計頻率。當Vl趨向無窮時，表明敏感大數(shù)據(jù)分量具有一定的隨機性且存在重復數(shù)據(jù)[8]，因此需要清洗敏感大數(shù)據(jù)相關性：

Y=∑Mc=1zcVlb（2）

式中，zc為敏感大數(shù)據(jù)第c個目標源相似性概率分布的散度；b為協(xié)同過濾參數(shù)。標注清洗后的敏感大數(shù)據(jù)為c′l，構建敏感大數(shù)據(jù)樣本庫：

W=c′lM×I+dcYωc（x，y）（3）

式中，I為敏感大數(shù)據(jù)信息熵；dc為第c個目標源的相似性加權系數(shù)；ωcx，y為第c個目標源的網(wǎng)絡參數(shù)節(jié)點。將敏感大數(shù)據(jù)相關性劃分至W中，以便在后續(xù)特征相似性匹配階段獲得更好的結果，為敏感大數(shù)據(jù)安全分級檢測提供數(shù)據(jù)支持。

1.2"匹配敏感大數(shù)據(jù)特征相似性

在構建敏感大數(shù)據(jù)樣本庫W后，根據(jù)敏感大數(shù)據(jù)子圖同構性設定節(jié)點屬性約束條件、標簽完整約束條件、注入一致約束條件，協(xié)同節(jié)點數(shù)量、聚類系數(shù)、同配性、介數(shù)中心度等參數(shù)，保留敏感大數(shù)據(jù)特征，提高敏感大數(shù)據(jù)特征相似性匹配效率。

（1）節(jié)點屬性約束

xi，yi∈Hc，Mxi，Myi∈Hc（4）

式中，xi，yi為敏感大數(shù)據(jù)子圖節(jié)點[9]；Hc為敏感大數(shù)據(jù)子圖介數(shù)中心度。通過節(jié)點屬性約束條件保持敏感大數(shù)據(jù)子圖中節(jié)點屬性在W中的嵌入過程一致，確保關鍵屬性信息不混淆。

（2）標簽完整約束

xi，yi∈Rc，lxi，yi=l（M［xi］，M［yi］）（5）

式中，Rc為聚類系數(shù)[10]；lxi，yi為敏感大數(shù)據(jù)子圖節(jié)點的同配性。通過標簽完整約束條件確保敏感大數(shù)據(jù)子圖中的所有節(jié)點都被正確地嵌入到W中，且沒有遺漏或錯誤節(jié)點。

（3）注入一致約束

xi，yi∈Hc，xi≠yiMxi≠Myi（6）

通過注入一致約束條件確保敏感大數(shù)據(jù)子圖在W中的嵌入過程保持特征相似。

設定約束條件后，采用弱無回溯模式匹配算法[11]回溯匹配敏感大數(shù)據(jù)查詢圖索引，使其在匹配過程中避免不必要的回溯，提高敏感大數(shù)據(jù)特征相似性。弱無回溯模式匹配算法基于正向匹配和貪婪匹配原則[12]，根據(jù)約束條件從查詢圖索引中選擇最合適的匹配路徑，并在匹配過程中盡可能地避免回溯，快速識別與查詢圖相似的敏感大數(shù)據(jù)樣本，減少計算消耗。使用弱無回溯模式匹配算法進行敏感大數(shù)據(jù)查詢圖索引的回溯匹配，有效提高查詢效率和響應速度，能夠適應不同規(guī)模和復雜度的查詢需求。具體回溯匹配操作如圖1所示。

圖1"回溯匹配過程示意圖

根據(jù)內積匹配準則對約束后的敏感大數(shù)據(jù)進行映射，將非線性映射函數(shù)φ輸入到W中[13]，獲取新的敏感大數(shù)據(jù)特征空間：

G=φ∑ni=1lxi，yi（7）

設定η1kl，ko為核函數(shù)，使用核函數(shù)將查詢圖映射到高維空間：

η1kl，ko=exp"－G‖kl－ko‖2ζ2（8）

式中，kl為子圖直徑；ko為子圖的模塊距離；ζ為敏感大數(shù)據(jù)子圖中的邊數(shù)量。

設定μN為查詢圖特征向量，歸一化該特征向量后轉換查詢圖特征向量：

BN=μNβnoφko（9）

式中，βno為滯后階數(shù)；φ為累計和，使查詢圖特征向量與查詢圖索引對應。根據(jù)查詢圖特征向量之間的距離對敏感大數(shù)據(jù)候選項進行剪枝：

fp=BN∑ni=1ψhi+ki（10）

式中，ψ為運行時間；hi為存儲最短距離；ki為子圖的核心節(jié)點個數(shù)。采用余弦相似度[14]計算子圖核心節(jié)點特征向量，匹配敏感大數(shù)據(jù)候選項特征相似性：

cos"θ=∑nj=1vj×fp∑nj=1vj2×∑nj=1fp2"（11）

式中，vj為第j維的特征向量之間的數(shù)值差；τ為鄰居項目。具體弱無回溯模式匹配算法的敏感大數(shù)據(jù)征相似性匹配流程如圖2所示。

圖2"敏感大數(shù)據(jù)特征相似性匹配流程圖

1.3"敏感大數(shù)據(jù)自動化分級檢測

對特征相似性匹配后的敏感大數(shù)據(jù)進行特征相似性度量，為后續(xù)敏感大數(shù)據(jù)自動化分級檢測提供數(shù)據(jù)依據(jù)。引入熵參數(shù)[15]量化敏感大數(shù)據(jù)特征相似性：

ι=cos"θ∑nj=1cjnlg"cjn（12）

式中，cjn為敏感大數(shù)據(jù)分量類別n在第j維下的區(qū)間數(shù)香濃熵參數(shù)，即量化后的區(qū)間數(shù)。結合式（12）所示的計算結果，引入相似度指數(shù)函數(shù)[16]計算敏感因子：

κ=Dt∑nj=1Rjι（13）

式中，Dt為相似度函數(shù)；Rj為第j維的特征向量導數(shù)。

敏感因子κ是判斷敏感大數(shù)據(jù)安全分級的指標，通常在0～1之間。根據(jù)敏感因子結果將敏感大數(shù)據(jù)劃分為四個安全等級，具體如表1所示。

κ值越大則表明敏感大數(shù)據(jù)越不安全，根據(jù)κ值大小，及時判斷傳輸和存儲過程中隱私泄露、數(shù)據(jù)濫用、安全風險等情況。至此結合敏感大數(shù)據(jù)樣本庫和敏感大數(shù)據(jù)特征相似性匹配完成對敏感大數(shù)據(jù)的分級檢測，為后續(xù)的數(shù)據(jù)安全保障提供重要依據(jù)。

2"實驗結果與分析

2.1"實驗環(huán)境

選取國網(wǎng)冀北電力有限公司信息通信分公司的敏感大數(shù)據(jù)作為測試對象，結合配電網(wǎng)的實際運行情況，選擇電網(wǎng)賬戶數(shù)據(jù)包展開測試分析。網(wǎng)絡拓撲結構為局域網(wǎng)，帶寬為1"Gbps，通信方式為恒定字節(jié)速率，包速率為2.5"pkt/s，分組負載為700"bytes。敏感大數(shù)據(jù)以實時流、批量數(shù)據(jù)和周期性報告等形式進行傳輸，接收端與發(fā)送端之間距離為1000"km，發(fā)送信息時的比特數(shù)為1"bit，最大傳輸單元為1200"bytes。測試過程中的硬件、軟件參數(shù)如表2所示。

在電力有限公司信息通信環(huán)境場景下，使用Python中的NLP工具從視頻彈幕、社交媒體帖子、電子郵件等真實大數(shù)據(jù)中提取包含“銀行賬戶”“信用卡號碼”“財務報表”等詞匯的相關文本數(shù)據(jù)。使用正則表達式數(shù)據(jù)清洗方法，去除重復數(shù)據(jù)和無意義信息。使用Fast"Text詞向量訓練工具，將清洗后的文本數(shù)據(jù)用于訓練自定義的詞向量模型。通過訓練模型，將每個詞匯表示為一個向量，以便后續(xù)的相似性匹配。利用訓練好的詞向量模型，在預處理的文本數(shù)據(jù)中進行關鍵詞匹配，尋找與敏感信息相關的詞匯、短語以及規(guī)則相似性特征。根據(jù)匹配結果，使用Python內置的字符串搜索方法，標記敏感信息所在的文本數(shù)據(jù)。使用SQL"Server"2022數(shù)據(jù)庫處理工具創(chuàng)建表結構，將標記后的敏感信息存入數(shù)據(jù)庫，根據(jù)匹配到的信息完成分級。

2.2"實驗測試結果

2.2.1"敏感大數(shù)據(jù)安全分級準確度測試

將電網(wǎng)賬戶數(shù)據(jù)包按照視頻彈幕、社交媒體帖子、電子郵件劃分為3個數(shù)據(jù)集，視頻彈幕公開數(shù)據(jù)條數(shù)為37405條（敏感數(shù)據(jù)20394條），社交媒體帖子公開數(shù)據(jù)條數(shù)為29637條（敏感數(shù)據(jù)12963條）、電子郵件公開數(shù)據(jù)條數(shù)為28621條（敏感數(shù)據(jù)18309條）。利用勒索軟件向目標服務器發(fā)送大量請求，可以識別視頻彈幕數(shù)據(jù)集中少數(shù)敏感大數(shù)據(jù)，能夠精準識別社交媒體帖子數(shù)據(jù)集中所有個人信息敏感大數(shù)據(jù)，能夠獲取社交媒體帖子數(shù)據(jù)集中涉密不予公開的敏感大數(shù)據(jù)，進而造成電力有限公司信息通信環(huán)境下的敏感大數(shù)據(jù)存在安全風險。采用所提方法對視頻彈幕數(shù)據(jù)集、社交媒體帖子數(shù)據(jù)集、社交媒體帖子數(shù)據(jù)集進行相似度指數(shù)函數(shù)計算，獲取κ值，劃分敏感大數(shù)據(jù)安全等級，具體結果如表3所示。

根據(jù)表3結果可知，視頻彈幕數(shù)據(jù)集κ值為0.37，處于一般安全等級；社交媒體帖子數(shù)據(jù)集κ值為0.55，處于不安全等級；電子郵件數(shù)據(jù)集κ值為0.98，處于非常不安全等級。3個數(shù)據(jù)集的測試結果與當前電力有限公司信息通信環(huán)境下的敏感大數(shù)據(jù)實際安全等級一致，由此證明所提方法可以準確劃分敏感大數(shù)據(jù)安全等級，確保電力系統(tǒng)穩(wěn)定運行。

2.2.2"敏感大數(shù)據(jù)特征匹配耗時測試

為了進一步驗證所提方法的敏感大數(shù)據(jù)安全分級有效性，將文獻[5]方法和文獻[6]方法作為對比方法，進行匹配耗時測試分析。對不同輸入規(guī)模的數(shù)據(jù)集進行敏感大數(shù)據(jù)特征匹配并記錄耗時，觀察并分析匹配時間隨輸入規(guī)模增加的趨勢，耗時時間越低則表明方法計算量越小，時間復雜度越低。將視頻彈幕數(shù)據(jù)集、社交媒體帖子數(shù)據(jù)集、電子郵件數(shù)據(jù)集進行組合，選擇整數(shù)數(shù)據(jù)量進行敏感大數(shù)據(jù)特征匹配。不同方法的匹配耗時測試結果如圖3所示。

分析圖3可知，隨著電網(wǎng)賬戶數(shù)據(jù)數(shù)量的增多，不同方法的匹配耗時均呈現(xiàn)上升趨勢。當數(shù)據(jù)數(shù)量達到8萬條時，文獻[5]方法的耗時為3.1"s，文獻[6]方法的耗時為3.2"s，而所提方法的耗時為2.7"s。這是因為所提方法采用了弱無回溯模式匹配算法回溯匹配敏感大數(shù)據(jù)查詢圖索引，設定約束條件從查詢圖索引中選擇最合適的匹配路徑，以此提高了敏感大數(shù)據(jù)特征匹配效率，進而表明所提方法的計算時間復雜度較低。

2.2.3"敏感大數(shù)據(jù)特征匹配收斂速度測試

由于敏感大數(shù)據(jù)可能包含大量的數(shù)據(jù)項和復雜的特征，特征匹配的收斂速度可能會受到多個因素的影響，包括算法的選擇、數(shù)據(jù)集的大小和復雜性，以及計算資源的可用性等。收斂速度越小表明方法能夠更快地收斂到準確結果。測試所提方法與文獻[5]方法、文獻[6]方法的特征匹配收斂速度，測試結果如圖4所示。

分析圖4可知，電網(wǎng)賬戶數(shù)據(jù)數(shù)量與收斂速度之間成正比關系，所提方法的收斂速度波動范圍較小，當數(shù)據(jù)達到5.3萬條時，收斂速度趨于平緩，而文獻[5]方法和文獻[6]方法的收斂速度波動趨勢較大。當數(shù)據(jù)數(shù)量達到8萬條時，所提方法的收斂速度為0.44，而文獻[5]方法的收斂速度為0.91，文獻[6]方法的收斂速度為0.74。這是因為所提方法以建立協(xié)方差矩陣的方式捕捉不同類型的敏感大數(shù)據(jù)，獲取其特征相關性，并以此為基礎構建敏感大數(shù)據(jù)樣本庫，進而提高了敏感大數(shù)據(jù)屬性顯示效果，由此提升了敏感大數(shù)據(jù)特征匹配收斂速度。

3"結"論

為了解決敏感大數(shù)據(jù)傳輸和存儲過程中的安全問題，提出了基于弱無回溯模式匹配算法的敏感大數(shù)據(jù)安全分級檢測方法。建立敏感大數(shù)據(jù)樣本庫，利用弱無回溯模式匹配算法回溯匹配敏感大數(shù)據(jù)查詢圖索引，通過余弦相似度計算完成敏感大數(shù)據(jù)特征相似性匹配。采用相似度指數(shù)函數(shù)計算敏感因子，完成敏感大數(shù)據(jù)自動化安全分級檢測。測試結果表明，所提方法敏感大數(shù)據(jù)安全分級準確度較高、特征匹配耗時較短、收斂速度較快。雖然所提方法在敏感大數(shù)據(jù)的安全分級檢測中具有較高的準確度和效率，但在數(shù)據(jù)傳輸和存儲過程的加密保護有待改進。未來的研究將結合本文成果，引入隱私保護算法、身份認證機制等進一步提高數(shù)據(jù)傳輸和存儲過程中的敏感大數(shù)據(jù)安全性，以期為敏感大數(shù)據(jù)保護和隱私安全領域做出積極貢獻。

參考文獻

［１］"方朝劍，胡新榮.基于模糊近似度的隱私敏感數(shù)據(jù)過濾算法[J].吉林大學學報（工學版），2023，53（4）：1174-1180.

[2]"崔嵬，楊同軍，苗凱.基于代理重加密的財務數(shù)據(jù)安全共享技術[J].現(xiàn)代電子技術，2023，46（1）：74-78.

[3]"張思琪，李曉會，江欣俞，等.面向醫(yī)療數(shù)據(jù)的AURTree差分隱私數(shù)據(jù)發(fā)布算法[J].計算機應用研究，2022，39（7）：2162-2166+2171.

[4]"黃志清，解魯陽，張嚴心，等.基于區(qū)塊鏈的物聯(lián)網(wǎng)數(shù)據(jù)服務信譽評估模型[J].計算機工程，2022，48（1）：33-42.

[5]"王瑋，龐婷婷.基于數(shù)據(jù)挖掘的城市軌道交通信息安全檢測[J].微型電腦應用，2022，38（2）：113-115

[6]"高麗杰，薛麗香，馬照瑞，等.大數(shù)據(jù)RSA公鑰加密安全雙向檢測仿真[J].計算機仿真，2023，40（2）：410-414

[7]"PERCIVAL"W"J，"FRIEDRICH"O，"SELLENTIN"E，"et"al."Matching"Bayesian"and"frequentist"coverage"probabilities"when"using"an"approximate"data"covariance"matrix[J]."Monthly"Notices"of"the"Royal"Astronomical"Society，"2022，"510（3）："3207-3221.

[8]"IKRAM"R"M"A，"GOLIATT"L，"KISI"O，"et"al."Covariance"matrix"adaptation"evolution"strategy"for"improving"machine"learning"approaches"in"streamflow"prediction[J]."Mathematics，"2022，"10（16）："2971.

[9]"于慧琳，陳煒，王琪，等.使用子圖推理實現(xiàn)知識圖譜關系預測[J].計算機科學與探索，2022，16（8）：1800-1808.

[10]"郁湧，王瑩港，羅正國，等.基于聚類系數(shù)和節(jié)點中心性的鏈路預測算法[J].清華大學學報（自然科學版），2022，62（1）：98-104.

[11]"古險峰，程艷艷，楊立英.基于回溯模式總結的魯棒近似子圖查詢算法[J].計算機工程與設計，2022，43（10）：2822-2828.

[12]"申濱，孫萬平，張楠，等.基于加權二部圖及貪婪策略的蜂窩網(wǎng)絡D2D通信資源分配[J].電子與信息學報，2023，45（3）：1055-1064.

[13]"王樂洋，羅鑫磊.非線性函數(shù)協(xié)方差傳播的Stein"Monte"Carlo方法[J].大地測量與地球動力學，2022，42（1）：1-4.

[14]"WANG"F，"KONG"A"W"K."Exploiting"the"relationship"between"Kendall's"rank"correlation"and"cosine"similarity"for"attribution"protection[J]."Advances"in"Neural"Information"Processing"Systems，"2022，"35："20580-20591.

[15]"嚴鈞，晏婉晨.基于Gumbel分布的熵風險度量的參數(shù)估計及漸近行為[J].河南師范大學學報（自然科學版），2022，50（1）：67-72.

[16]"陶新民，王若彤，常瑞，等.基于低密度分割密度敏感距離的譜聚類算法[J].自動化學報，2020，46（7）：1479-1495.