深度学习中数据模型加密存储的研究与应用.pdf

"深度学习中数据模型加密存储的研究与应用" 深度学习中数据模型加密存储的研究与应用是当前信息安全领域的一个热点话题。随着科技的进步和网络的普及，个人对安全性要求更高，如何保护用户的数据安全、如何保证系统安全成了我们关心的话题。本研究对深度学习中数据模型加密存储的研究与应用进行了探讨，旨在解决个人信息和数据泄露风险的问题。 在本研究中，我们首先分析了 SM4 算法和 PBKDF2_SHA256 算法的安全性，然后设计了一套混合加密方法。首先采用机器学习算法搭建人脸数据模型，然后生成随机字符与时间混合的随机密钥，并采用 Base64 编码后存储。最后使用 SM4 算法对深度学习所训练出的数据模型的权重等数据信息进行加密并存储。 SM4 算法是一种分组密码算法，同时该算法是国家密码局认定的国产密码算法。SM4 加密算法可用于实现数据的加密 / 解密，以保证数据和信息的机密性。SM4 算法与 AES 算法具有相同的密钥长度分组长度128 bit，高于 3DES 算法的安全性。在 SM4 加密算法的流程中，SM4 加密算法使用了 S 盒变换的加密方式，抵抗相关密钥线性密码分析能力更强，具有更高的安全性。 PBKDF2_SHA256 加密算法是一种单向加密算法，无法通过密钥反推原始密码。该加密算法需要我们输入新的密码并对其进行加密，与存储的密钥进行对比，若两个密钥相同即密码正确，否则密码错误。 在混合加密过程中，我们首先配置密钥长度为 16 字节的随机字符，然后使用 Base64 加密算法对长度为 16 字节的随机字符进行加密存储。完成密钥定义后，我们将 16 字节长度的密钥按照 4 字节分组，共分为 4 组，然后与系统参数 FK 进行异或运算，将产生的结果进行 32 轮迭代，每一轮迭代生成 32 位的轮密钥。我们对输入的明文按照 4 字节一组进行分组，完成分组后采用 32 轮非线性迭代结构，以 4 字节为单位进行加密运算，每一次迭代运算为一轮变换函数 Fk。 本研究对深度学习中数据模型加密存储的研究与应用进行了探讨，旨在解决个人信息和数据泄露风险的问题。我们设计了一套混合加密方法，使用 SM4 算法和 PBKDF2_SHA256 算法对深度学习所训练出的数据模型的权重等数据信息进行加密并存储。结果表明，使用 SM4 算法和 PBKDF2_SHA256 算法对深度学习所训练出的数据模型的权重等数据信息进行加密并存储，可以有效地保护用户的数据安全和系统安全。