本發明涉及神經網絡模型，特別涉及一種病理切片識別神經網絡模型權重加密方法。

背景技術：

1、近年來，深度神經網絡(deep?neural?network,dnn)等新興技術以前所未有的性能在醫療病理切片識別中得到廣泛發展和應用，深度神經網絡是通過建立模型模擬人類大腦的神經連接結構，通過多個變換階段分層對數據特征進行描述，為圖像、視頻和音頻等大規模數據處理任務帶來了突破性進展，將深度神經網絡應用到醫療病例切片識別中，得到病理切片識別神經網絡模型，為醫療診斷提供了輔佐作用，不僅能夠減輕診斷醫師的工作量，節省時間針對醫療病例切片進行分析，還能夠輔佐診斷醫師，為診斷醫師提供準確的分析數據信息，提高診斷醫生的診斷準確性。

2、病理切片識別神經網絡模型通常在投入正式使用之前需要針對病理切片識別神經網絡模型進行模型訓練，在進行模型訓練時，需要在目標應用程序中捕獲大量不同場景的專有數據、廣泛的計算資源，以及在專家的協助下調整網絡拓撲結構并正確訓練權重，因此，病理切片識別神經網絡模型權重在病理切片識別神經網絡模型具有極高的經濟價值與現實意義。

3、目前，在病理切片識別神經網絡模型的處理中針對權重的安全保護等級較差，因此，本發明提出一種病理切片識別神經網絡模型權重加密方法，基于混沌映射針對病理切片識別神經網絡模型權重進行加密處理，使得在確保病理切片識別神經網絡模型能夠運行的同時能夠提高神經網絡權重的安全性。

技術實現思路

1、本發明的目的在于提供一種病理切片識別神經網絡模型權重加密方法，以解決上述背景技術中提出的問題。

2、為實現上述目的，本發明提供如下技術方案：一種病理切片識別神經網絡模型權重加密方法，包括：

3、獲取bit串作為病理切片識別神經網絡模型權重密鑰；

4、將病理切片識別神經網絡模型權重密鑰按照8個bit為一個數字寫入下三角矩陣中，得到第一數據矩陣；

5、針對bit串中的前8bit進行數字化轉換，得到第一元素數據；

6、將病理切片識別神經網絡模型的權重矩陣作為空白矩陣的子元素讀入空白矩陣，得到權重向量矩陣；

7、將第一元素數據矩陣與權重向量矩陣結合到一起，得到第一數據向量；

8、根據第一數據矩陣和第一數據向量采用混沌映射算法得到中間密文向量；

9、針對中間密文向量進行元素數據處理，得到權重向量中間加密矩陣；在中間密文向量中選取前8個元素作為權重向量矩陣中第一部分權重密文，利用最后一個元素更新權重向量矩陣中第二部分權重的加密，得到權重向量矩陣的第二部分權重密文，根據第一部分權重密文和第二部分權重密文得到權重向量中間加密矩陣；

10、針對權重向量中間加密矩陣進行位置打亂，得到加密后的權重向量矩陣。

11、進一步地，所述下三角矩陣是9×9的整數矩陣，在將病理切片識別神經網絡模型權重密鑰按照8個bit為一個數字寫入下三角矩陣中時，對角線上的元素都取3，而且寫入的順序按照行數據從2到9，列數據從1到行數據減1進行寫入。

12、進一步地，根據第一數據矩陣和第一數據向量采用混沌映射算法得到中間密文向量，包括：

13、針對第一數據向量進行轉置處理，得到第一數據向量處理向量；

14、將第一數據矩陣與第一數據向量處理向量進行矩陣運算，得到中間密文向量。

15、進一步地，得到加密后的權重向量矩陣之后利用加密后的權重向量矩陣針對權重向量矩陣進行更新，得到更新后的權重向量矩陣，然后基于更新后的權重向量矩陣重新獲取權重向量中間加密矩陣，其中，在利用加密后的權重向量矩陣針對權重向量矩陣進行更新時，確定目標循環次數，按照目標循環次數在得到加密后的權重向量矩陣針對權重向量矩陣進行多次更新與循環，獲取最終加密后的權重向量矩陣。

16、進一步地，在得到加密后的權重向量矩陣之后利用加密后針對加密后的權重向量矩陣進行存儲與傳輸，將加密后的權重向量矩陣、第一元素數據以及權重向量矩陣的行數組合在一起形成密文數據，然后針對密文數據進行存儲，當應用病理切片識別神經網絡模型時，通過安全通道進行密文傳輸得到密文數據，并針對密文數據進行解密處理，得到權重數據的明文數據，然后將權重數據的明文數據應用到病理切片識別神經網絡模型中進行模型處理。

17、進一步地，針對密文數據進行解密處理后得到權重數據的明文數據，包括：

18、獲取病理切片識別神經網絡模型權重密鑰后按照8個bit為一個數字寫入下三角矩陣中，并針對寫入數據的下三角矩陣進行逆矩陣獲取，得到解密變換矩陣；

19、在密文數據中提取加密后的權重向量矩陣，并在加密后的權重向量矩陣中獲取第二部分中的數據，并將第二部分中的數據結合密文數據中的第一元素數據，得到第二數據向量；

20、根據解密變換矩陣和第二數據向量采用混沌映射算法得到中間解密向量；

21、針對中間解密向量進行元素數據處理，得到權重向量中間明文矩陣；將中間解密向量中第1個元素用于更新第一元素數據，然后利用第一數據針對后8個元素進行解密后結合更新后的第一元素數據，得到權重向量中間明文矩陣；

22、按照權重向量中間明文矩陣的行列排放得到病理切片識別神經網絡模型權重明文數據。

23、進一步地，針對密文數據進行解密處理時，通過密碼通道進行密鑰源共享，從而獲取加密過程中的病理切片識別神經網絡模型權重密鑰bit串，得到病理切片識別神經網絡模型權重密鑰。

24、進一步地，按照8個bit為一個數字寫入下三角矩陣中時根據索引信息結合兩層哈希表在下三角矩陣中按照緩存淘汰機制進行數據添加。

25、進一步地，針對密文數據進行存儲時，將密文數據存儲到密文數據存儲模塊中，而且密文數據存儲模塊采用數據塊方式針對密文數據進行存儲包括：

26、在密文數據存儲模塊中獲取數據塊節點的數目；

27、將密文數據采用局部映射方式按照數據塊節點的數目分為多個子數據；

28、針對子數據進行數據塊節點匹配，并根據匹配結果將子數據二次加密存儲到數據塊節點中。

29、進一步地，基于所述密文數據存儲模塊構建密文管理系統，所述密文管理系統包括：模型應用端、密文數據存儲模塊、安全通道建立模塊和安全驗證管理模塊；

30、所述模型應用端，用于請求獲取密文數據，基于標識信息發出請求需求；

31、所述安全驗證管理模塊，用于結合數據塊節點針對請求需求進行標識信息驗證，得到驗證結果，根據驗證結果向密文數據存儲模塊發出讀取指令；以及根據讀取密文數據存儲模塊得到的子數據進行變化組合，得到密文數據；

32、所述密文數據存儲模塊，用于在數據塊節點中進行讀取指令驗證，當讀取指令驗證通過時，將所述數據塊節點中存儲的信息解密讀取，并將得到的子數據提供到安全驗證管理模塊；

33、所述安全通道建立模塊，用于根據驗證結果建立安全驗證管理模塊與模型應用端之間的安全通道，并在安全驗證管理模塊得到密文數據后將密文數據通過安全通道傳輸至模型應用端。

34、本發明實現了對病理切片識別神經網絡模型權重的高效加密處理，提高病理切片識別神經網絡模型權重的安全系數，而且在加密處理過程中能夠抵抗攻擊，保障病理切片識別神經網絡模型權重的安全性。

35、本發明通過針對病理切片識別神經網絡模型權重密鑰進行數字化轉換與處理使得能夠基于病理切片識別神經網絡模型權重密鑰得到便于進行混沌映射算法的數據，為混沌映射算法的進行提供便捷，而且混沌映射算法簡單且便捷，能夠在短時間內快速得到一個中間密文向量，有效減少加密處理的耗時，并且在得道中間密文向量后針對中間密文向量進行元素數據處理以及位置打亂，從而更進一步提高加密后的權重向量矩陣的安全性，避免加密后的權重向量矩陣輕易被破解。

36、本發明的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過在所寫的說明書以及附圖中所特別指出的結構來實現和獲得。

37、下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。