CN119538276A 一种电力信息网络的多维度数据权限管理与隐私保护方法 (姚森敬)_第1页
CN119538276A 一种电力信息网络的多维度数据权限管理与隐私保护方法 (姚森敬)_第2页
CN119538276A 一种电力信息网络的多维度数据权限管理与隐私保护方法 (姚森敬)_第3页
CN119538276A 一种电力信息网络的多维度数据权限管理与隐私保护方法 (姚森敬)_第4页
CN119538276A 一种电力信息网络的多维度数据权限管理与隐私保护方法 (姚森敬)_第5页
已阅读5页,还剩46页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种电力信息网络的多维度数据权限管理本申请提供一种电力信息网络的多维度数布曲线中增加用户截图内容因素判断用户风险动性均表现正常,截图内容只针对敏感数据截2获取并识别用户截图方式与不同截图的特征,包括全屏截图图像分辨率与屏幕分辨根据截图事件泄露风险级别动态选择水印的类型,水印类型包括简根据用户截图方式的不同特征生成相应水印内容,窗口截图水印内根据不同截图方式制定相应水印嵌入方式,对于全屏截图,水印按记录用户截图事件历史数据的截屏总频率、截屏时间间隔和不同截图方式的使用频建立截屏审计和监控机制,对用户的截屏行为进行全生命周期记2.根据权利要求1所述的方法,其中,所述获取并识别用户截图方式与不同截图的特获取用户截图图像,通过比对图像分辨率与当前系统屏幕分辨率若所述图像分辨率小于当前系统屏幕分辨率,则通过屏幕坐标映射算法3综合分析图像分辨率、位置坐标和边缘轮廓各维度的特征信息,根据截屏事件的敏感内容分析和泄露风险评估结果,并结合用户身份针对低频区域,减少嵌入量,为实现水印图像的全生命周期管控若所述截图类型为全屏截图,则从图像的EXIF元数据中提取4若所述截图类型为滚动截图,通过计算图像高度与屏幕分辨率若所述截图方式为全屏截图,则根据所述全屏截图的尺寸若所述截图方式为窗口截图,则通过边缘检测若所述截图方式为区域截图,则采用超像素分割算法将所述区从所述截图事件日志数据库中提取用户一段时间内的截图事件数据,通对截屏事件分布曲线进行特征工程处理,提取曲线的峰值、谷值5通过时序数据库和数据可视化工具,实时监测用户截屏行为的时间分布和频率变化,根据所述时间序列数据,采用平滑处理和异常检测算法,判断曲线若截屏行为的频率和间隔或持续时长超出所设定的控制上下限,则触发截屏行为预通过SSL加密通道传输代理与主系统间通信数据,采用AES对称加密算法加密截屏数采用FlinkCEP引擎对截屏事件流进行离线采用SparkMLlib分布式机器学习库,构建LR、SVM、RF和XG搭建基于ELKStack的截屏事件监测仪表盘,通过Kibana的Lens和Dashboard可视化工6采用SIFT和SURF局部特征提取算法,对疑似泄密截图进7[0006]根据截图事件泄露风险级别动态选择水印的类型,水印类型包括简单文字水印、8[0010]用户历史数据的截屏事件分布曲线中增加用户截图内容[0015]图1为本发明的一种电力信息网络的多维度数据权限管理与隐私保护方法的流程[0016]图2为本发明的一种电力信息网络的多维度数据权限管理与隐私保护方法的示意[0017]图3为本发明的一种电力信息网络的多维度数据权限管理与隐私保护方法的又一[0019]如图1_3,本实施例一种电力信息网络的多维度数据权限管理与隐私保护方法具9分辨率为1920*1080,与当前系统屏幕分辨率完全一致,则可以判定为全屏截图。对于非全角和右下角的屏幕坐标值(如左上角为(100,200),右下角为(800,600似性算法(SSIM),将截图与当前屏幕上的各个窗口程序进行相似度计算,如图的主色调进行差异度计算,差异度大于50%则进一步验证了区域截图的判定结果。在滚动截图的判定中,首先检查图像高度是否超过屏幕高度的1.5倍,如一个3000*800的长图发现文本行的垂直间距呈现等差数列特征,公差为20像素,则可以推断该图像是由多个等高度的屏幕截图拼接而成的滚动截图。对于疑似屏幕录像截图的连续图像序列,首先提取图像的时间戳信息,分析相邻图像的时间间隔。如果发现连续20帧图像的时间戳均为100ms,频率为10Hz,则初步判定为屏幕录像截图。进一步采用帧间差分算法计算连续图像内容的差异度,如果差异度均小于5%,则可确定录像画面的连续性和完整性,最终判定为可以通过引入深度学习算法,提取截图图像的高维特征,构建卷积神经网络模型进行截图[0024]获取用户截屏图像后,采用OCR光学字符识别,对所述图像中的文本内容进行提用程序语言识别和代码抽象语法树分析,确定所述代码片段所属的编程语言和功能模块,利用预训练的电力行业知识图谱,对技术研究报告的关键内容进行概念抽取和实体链接,隐私信息的匹配规则,对敏感信息进行掩码处理,如将身份证号"32091119881234"中的出生日期部分替换为""。同时采用YOLOv5或FasterR_CNN目标检测算法,以99.5%的mAP在现规则,构建敏感信息关联图谱。对电费账单和运维记录等结构化数据进行孤立森林异常性提取,判断是否包含电力系统关键设备的图像信息。采用MaskR_CNN实例分割算法,以95%的准确率识别出变电站、配电室等敏感区域图像的设备或场景,自动标注为高度敏感电力系统的地理信息数据进行融合分析,推断图像获取的难易程度和泄露风险。将图像坐标与电力GIS系统的地理信息数据进行空间距离计算,若图像位置与敏感区域中心距离小取Python代码的函数调用关系、数据依赖等特征,采用频繁子图挖掘算法gSpan,在10万行解析和文件路径模式匹配,识别出代码中访问的敏感数据资源。基于Wikidata知识库和电力行业专家知识,构建包含2000个概念、5000条关系的电力行业知识图谱。BERTTransformer模型对技术研究报告进行语义向量表示,通过K_means聚类算法对报告进感分析算法SnowNLP,分析报告中各技术点的情感倾向得分,正向情感比例超过80%则标记合情感分析技术,如基于情感词典和注意力机制的深度学习模型,分析技术描述的情感倾向和重要程度,通过构建技术信息之间的语义关联网络,分析不同技术内容之间的依赖关系和敏感级别。在完成各类敏感信息的提取和分析后,综合考虑敏感词频次、敏感目标分设的多级敏感度阈值进行比较,得到内容敏感级别的初步判定结果。为了进一步提高风险进行综合研判。通过构建用户行为基线模型和异常检测规则,识别出高风险用户和异常行[0028]具体来说,为了实现水印方案的动态选险等级映射到相应的水印方案,并对不同用户角色、访问权限和时效期限等条件设置差异印信息嵌入到载体图像的频率域系数中,通过对系数的微小调制实现水印嵌入。与空间域置,生成Alpha掩模图像,设置水印透明度为20%,利用加权平均公式将原图像与水印掩模在文字水印的基础上,添加公司标识等图像水印元素。采用基于阈值分割的图像分割算法变换域水印算法,通过分析截屏图像的DCT系数能量分布,自适应设置嵌入强度参数,在高加密算法对水印信息进行数字签名,防止水印被恶意篡改。在截屏流程的不同环节设置水自适应的水印安全防护体系通过结合自然语言处理和计算机视觉技术,对截图中的文本、词、词性标注和命名实体识别,提取关键词并计算TF_IDF权重,生成文本特征向量;采用ResNet50等深度卷积神经网络对图像内容进行特征提取,得到图像特征向量;通过PaddlePaddle的视频分类模型提取视频关键帧,结合时空特征进行视频理解。然后将多模字区域,通过EAST等文本检测算法得到文字的边界框坐标,然后选择边角区域自适应嵌入用PIL图像库的Image.alpha_composite()函数实现水印叠加,设置叠加权重为0.2,保证过Grabcut图像分割算法提取Logo水印的前景区域,利用形态学操作如腐蚀膨胀提取水印据截图质量因子QF计算DCT系数心理阈值T,当QF为75时,T取值为0.02,QF为85时,T为图像的前景显著区域,通过Meanshift分割算法将图像分割为前景/背景区域,选择背景区域作为嵌入位置,减少水印对显著目标的干扰。引入二维码水印增强篡改定位能力,采用QArt算法生成艺术化二维码,通过卷积神经网络模型进行图像风格迁移,将二维码伪装成水印图像信息提取数字指纹,计算SHA256哈希值作为水印DNA,存证于区块链。采用盲水印入预训练的截图分类模型,判别所述截图的类型,若所述截图类型为窗口截图,则采用YOLOv5目标检测算法检测图像中的窗口区域,并使用OCR文字识别提取窗口标题栏中的文方图等特征,利用预训练的截图分类模型对截图方式进行判别。该模型采用ResNet50作为骨干网络,在大规模截图数据集上进行迁移学习和微调,以提高模型的泛化能力和分类精和关键文本信息按照设计好的水印模板进行组合,得到内容丰富的全屏截图水印。若截图方式判定为滚动截图,则首先计算图像的高度与屏幕分辨率高度的比值,得到滚动截图的页面数量。然后采用基于视觉显著性的分割算法,如Graph_Base将滚动截图划分为多个语义相关的区域。对每个区域进行局部特征提取和匹配,通过SIFT特征点匹配和RANSAC算法估计区域之间的位移量,进而计算出滚动截图的起始位置和结束在不同类型的截图中嵌入与其特征相关的语义化水印,实现截图内容的精准溯源和版权保向量输入到预训练的ResNet50截图分类模型中,模型在ImageNet数据集上的分类准确率达果是窗口截图,则使用YOLOv5目标检测模型定位窗口区域,在COCO数据集上的mAP达到名称+窗口标题+上下文信息"的语法规则,生成窗口截图的水印内容:"Notepad|记事本窗取截图时间戳,转换为"2023_05_2014:30:25"格式的字符串。利用Canny算子进行边缘检对任务栏区域进行图标检测和文字识别,得到应用程序名称列表,如"Chrome,System,间|应用1,应用2,应用3|关键词1,关键词2,关键词3"的水印模板格式化,得到全屏截图水别为滚动截图时,计算图像高度与屏幕分辨率高度的比值,如4800/1080=4.44,即滚动截图包含4页内容。采用GBVS显著性检测算法,提取图像的显著性区域,将显著性阈值设为法估计区域间的仿射变换矩阵,计算每个区域相对于首尾区域的位移量。如区域1和区域8的位移量分别为(0,0)和(0,4320),根据屏幕分辨率换算得到起始位置为(0,0),结束位置|帧率|关键帧数|语义描述","2023_05_2014:30:25|2023_05_2014:33:30|185秒|30fps|5利用水印密钥对水印图案进行加密,加密后的水印信息嵌入到网格对应的频域系数中,嵌得到含有网格水印的全屏截图。若截图方式为窗口截图,则在窗口边框的四角位置嵌入水右上、左下、右下四个角落位置,分别嵌入尺寸为80*80像素的水印图案,透明度设置为非关键内容处嵌入水印,首先使用SLIC超像素分割算法,将区域截图划分为多个语义相关的子区域,然后采用显著性检测模型,如SalNet或BASNet,计算每如嵌入64*64像素的水印。水印的透明度根据区域的显著性分值映射到3070%的范围水印越大,反之则越小。在每个区域的顶部和底部,分别嵌入具有最大和最小透明度的水不同截图方式的最优水印嵌入策略,在保证水印鲁棒性和检测性的同时,最大限度地降低将图像划分为100个语义相关的子区域,每个区域的像素数控制在500左右。SLIC算法首先64*64大小的半透明水印图案,透明度根据显著性分值线性映射到3070%之间,如显著度为9000,宽度为1800,高宽比为5,表明滚动截图包含5页内容。将滚动截图在垂直方向上域内容简单,适合嵌入水印。在复杂区域中,仅在区域的上下边缘嵌入两个高透明度(如滚动截图进行分区,计算每个区域的局部直方图和梯度直方图特征,根据特征值判断区域首先使用ShotDetector算法对视频进行镜头切分,提取镜头边界帧。ShotDetector算法基可以增强水印与视频内容的关联度,提高水印的隐蔽性和审美性,同时也便于水印的提取和认证。评估水印方案的综合性能,采用客观评价指标和主观评价相结合的方法。首先在原图像的结构相似性,NQM用于衡量水印嵌入对图像视觉质量的影响,三个指标的值越大,含水印图像的综合质量分数,根据适应度函数更新粒子的速度和位置,直到算法收敛或达到最大迭代次数(如100次)。搜索得到的全局最优粒子,即为当前截图的最佳水印参数组形式展示不同截图方式在使用频率和风险等级两个维度上的分布情况,直观呈现用户对不同截图功能的使用偏好和面临的潜在风险。结合业务场景和安全需求,评估各截图方式的计窗口内的截屏事件次数,得到一系列频率数据。将频率数据按时间顺序绘制成截屏掘用户截屏行为在低维空间上的分布模式和聚类结构。引入基于密度的DBSCAN聚类算法,以用户截屏行为特征向量为输入,通过设定邻域半径(Eps)和最小包含点数(Min自动发现截屏行为的自然簇结构,将相似行为模式的用户划分为同一个群体。通过轮廓系险实施动态访问控制和权限管理,触发异常行为预警。对中等风险用户采取适度的管控和力安全策略持续优化。用户每次截图事件会生成约100字节的日志数据,包括时间戳(10字[0038][10,60,120,300,30,600,…]进行统计,使用numpy库计算得到最小间隔10秒,最使用matplotlib绘制间隔数据直方图,plt.hist(intervals,bins=20),观察到分布呈现长尾特征,大部分间隔集中在60秒以内,少部分间隔大于300秒,表明用户存在少量持续截屏(0x10)五种,通过位运算进行统计,使用collections.Counter({'0x01,:200,'0x02':500,'0x04':100,'0x08':150,'0x10,:50})得到各方式的使用次数。再结合每种方式的敏合风险指数为0.72,表明用户的截图行为整体风险较高。使用seaborn绘制热力图的rolling函数计算12小时移动平均,发现存在明显的周期性,在上午10点和下午3点出现截屏高峰。使用seasonal_decompose函数提取周期性成分,判断用户存在隔日批量截屏的周期行为。再使用scipy的find_peaks函数查找峰值点,如peaks,_=find_peaks(data,height=20,distance=24),发现在节假日前后存在异常的截屏高峰,推测与业务活动有维特征降至2维,对100个用户的降维后的截屏行为进行可视化,使用不同颜色的散点表示不同的截图方式,观察到存在明显的簇结构,通过DBSCAN聚类划分出5个用户群体,低风险,使用5折交叉验证,ROC_AUC评分疑似组织内训练数据泄露的行为,通过强化学习的探索,优化管控策略,将泄密风险降低容等信息,对敏感字段进行哈希脱敏处理后,存入截屏事件日志数据库。通过时序数据库(如InfluxDB)和数据可视化工具(如Grafana),实时监测用户截屏行为的时间分布和频率平滑处理和异常检测算法,判断曲线的整体趋势和波动模式是否处于正常范围。对截屏事件分布曲线进行多尺度分析,使用小波变换等时频分析方法,提取曲线在不同时间尺度上小于5秒,或连续截屏持续时间超过10分钟时,则判定为潜在的异常行为,触发截屏行为预史截图内容进行语义理解和风险分析。通过敏感信息识别模型,检测截图中是否包含公司用数据集上预训练,再使用业务场景下标注的敏感数据进行微调,在测试集上的准确率可键词提取算法,从海量截图数据中挖掘出用户关注的热点话题和高频词汇。LDA模型通过Gibbs采样,在截图语料上进行主题推断,设置主题数K=50,迭代1000次,每个主题下提取结合规则引擎和风险矩阵机制,对用户的综合风险等级进行动态评估和更新。规则引擎通定规则和阈值可根据业务实践不断优化和调整。根据用户的实时风险等级变化,动态调整截屏时长超过30分钟时(可根据业务需求调整阈值),触发异常行为告警,并将该用户的异常风险分数提高20%。使用小波变换对截屏事件曲线进行时频分析,提取曲线在不同时间[0043]对用户截图内容进行敏感信息扫描,使用百度的paddleOCR框架提取图片中的文络结构,在ICDAR2015数据集上的准确率达到92.1%。同时使用ImageNet预训练的[0044]通过图像pHash算法计算连续截图内容的相似度,设置滑动时间窗口为5分钟,若连续10张截图的平均pHash汉明距离小于5(即相似度大于90%),同时这些截图覆盖关截图内容进行马赛克处理后提交审核。使用gensim库中的LDA模型对用户一周内的截图内容进行主题聚类,设置主题数为20,迭代次数为2000,每个主题下选取TF_IDF值最高的15相关主题的截图数量占比超过30%,则判定用户存在恶意窃密风险,将其风险等级设置为[0045]对不同风险维度的评分进行加权求和,权

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论