本發(fā)明涉及一種數(shù)據(jù)處理，特別是涉及一種基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法。

背景技術(shù)：

1、隨著信息技術(shù)的飛速發(fā)展和大數(shù)據(jù)時代的到來，數(shù)據(jù)已經(jīng)成為現(xiàn)代社會不可或缺的重要資源。特別是在金融、醫(yī)療、教育、科研等領(lǐng)域，數(shù)據(jù)的安全性直接關(guān)系到企業(yè)的運營、個人的隱私和國家的安全。然而，由于硬件故障、自然災(zāi)害、惡意攻擊等原因，數(shù)據(jù)丟失或損壞的情況時有發(fā)生，給企業(yè)和個人帶來了巨大的損失。專利申請?zhí)?021108006970，名稱為“一種用于數(shù)據(jù)容災(zāi)恢復(fù)的方法與設(shè)備”，通過獲取用戶設(shè)備發(fā)送的業(yè)務(wù)指令信息，其中，所述業(yè)務(wù)指令信息包括優(yōu)先級信息，當(dāng)所述業(yè)務(wù)指令信息對應(yīng)的業(yè)務(wù)數(shù)據(jù)損壞，基于所述優(yōu)先級信息確定對應(yīng)的數(shù)據(jù)恢復(fù)方式，其中，所述數(shù)據(jù)恢復(fù)方式與優(yōu)先級信息一一對應(yīng)，并基于所述數(shù)據(jù)恢復(fù)方式通過容災(zāi)節(jié)點實現(xiàn)數(shù)據(jù)恢復(fù)，其中，所述容災(zāi)節(jié)點中保存有源節(jié)點保存并發(fā)送的根據(jù)源節(jié)點數(shù)據(jù)生成的預(yù)設(shè)全量快照以及預(yù)設(shè)增量快照。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，特別創(chuàng)新地提出了一種基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法。

2、為了實現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，包括以下步驟：

3、s1，獲取備份還原數(shù)據(jù)，將備份還原數(shù)據(jù)劃分為訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)；

4、s2，構(gòu)建gans模型的生成器和判別器結(jié)構(gòu)，根據(jù)構(gòu)建的生成器和判別器構(gòu)成gans模型；

5、s3，將步驟s1中的訓(xùn)練集數(shù)據(jù)輸入gans模型進行訓(xùn)練，更新生成器和判別器參數(shù)；

6、s4，將步驟s1中的測試集數(shù)據(jù)輸入gans模型，生成恢復(fù)圖像數(shù)據(jù)。

7、在本發(fā)明的一種優(yōu)選實施方式中，訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)的數(shù)據(jù)比為7:3。

8、在本發(fā)明的一種優(yōu)選實施方式中，在步驟s1中還包括對備份還原數(shù)據(jù)進行預(yù)處理，對備份還原數(shù)據(jù)進行預(yù)處理的方法為：

9、

10、其中，x′表示預(yù)處理后的圖像的像素值；

11、x表示預(yù)處理前備份還原數(shù)據(jù)中圖像的實際像素值；

12、min(x)表示預(yù)處理前備份還原數(shù)據(jù)中圖像的最小像素值；

13、max(x)表示預(yù)處理前備份還原數(shù)據(jù)中圖像的最大像素值。

14、在本發(fā)明的一種優(yōu)選實施方式中，在步驟s2中，生成器的結(jié)構(gòu)為23層構(gòu)成，包括卷積層、轉(zhuǎn)置卷積層、批歸一化層、leakyrelu激活函數(shù)層和sigmoid激活函數(shù)層；

15、判別器的結(jié)構(gòu)為14層構(gòu)成，包括卷積層、批歸一化層、leakyrelu激活函數(shù)層和sigmoid激活函數(shù)層；

16、gans模型依次由生成器和判別器連接構(gòu)成，生成器處理輸入的圖像數(shù)據(jù)，生成的模擬圖像數(shù)據(jù)輸入判別器，判別器處理模擬圖像后更新生成器和判別器參數(shù)。

17、在本發(fā)明的一種優(yōu)選實施方式中，在步驟s2中，生成器為將一個卷積層、一個批歸一化層和一個leakyrelu激活函數(shù)層依次連接形成一個卷積塊；

18、將一個轉(zhuǎn)置卷積層、一個批歸一化層和一個leakyrelu激活函數(shù)層依次連接形成一個轉(zhuǎn)置卷積塊；

19、圖像數(shù)據(jù)輸入生成器后，首先連續(xù)通過四個卷積塊，隨后連續(xù)通過三個轉(zhuǎn)置卷積塊，最后通過一個轉(zhuǎn)置卷積層和一個sigmoid激活函數(shù)層；

20、判別器為將一個卷積層、一個批歸一化層和一個leakyrelu激活函數(shù)層依次拼接形成一個卷積塊；

21、圖像數(shù)據(jù)輸入判別器后，首先連續(xù)通過四個卷積塊，隨后通過一個卷積層和一個sigmoid激活函數(shù)層。

22、在本發(fā)明的一種優(yōu)選實施方式中，在步驟s3中，訓(xùn)練包括：

23、

24、其中，loss表示訓(xùn)練函數(shù)；

25、χ表示生成器損失函數(shù)的權(quán)重系數(shù)；

26、loss(scq)表示生成器損失函數(shù)；

27、γ表示判別器損失函數(shù)的權(quán)重系數(shù)；

28、loss(pbq)表示判別器損失函數(shù)；

29、γ＝ε*χ，

30、其中，χ表示生成器損失函數(shù)的權(quán)重系數(shù)；

31、γ表示判別器損失函數(shù)的權(quán)重系數(shù)；

32、ε表示范圍在(0,1)的比例系數(shù)。

33、在本發(fā)明的一種優(yōu)選實施方式中，在步驟s3中，訓(xùn)練還包括：

34、

35、其中，loss(pbq)表示判別器損失函數(shù)；

36、表示判別器中的真實標(biāo)簽；

37、表示判別器中的標(biāo)簽概率；

38、表示判別器中的真實標(biāo)簽中間量；

39、表示判別器中的標(biāo)簽概率中間量；

40、

41、其中，表示判別器中的真實標(biāo)簽；

42、表示判別器中的真實標(biāo)簽中間量；

43、

44、表示判別器中的標(biāo)簽概率；

45、表示判別器中的標(biāo)簽概率中間量。

46、在本發(fā)明的一種優(yōu)選實施方式中，在步驟s3中，訓(xùn)練還包括：

47、

48、其中，loss(scq)表示生成器損失函數(shù)；

49、表示生成器中的真實標(biāo)簽；

50、表示生成器中的標(biāo)簽概率。

51、在本發(fā)明的一種優(yōu)選實施方式中，還包括步驟s6，對gans模型進行指標(biāo)評價，評價指標(biāo)包括準(zhǔn)確率、查準(zhǔn)率、誤報率、之一或者任意組合；

52、其中，準(zhǔn)確率的計算方法為：

53、

54、其中，tp表示實際不正常被歸類為不正常；

55、tn表示實際正常記錄被分類為正常；

56、fp表示實際的正常記錄被歸類為不正常；

57、fn表示實際不正常被歸類為正常記錄；

58、accuracy表示準(zhǔn)確率；

59、查準(zhǔn)率的計算方法為：

60、

61、tp表示實際不正常被歸類為不正常；

62、fp表示實際的正常記錄被歸類為不正常；

63、precision表示查準(zhǔn)率；

64、誤報率的計算方法為：

65、

66、fp表示實際的正常記錄被歸類為不正常；

67、tn表示實際正常記錄被分類為正常；

68、fpr表示誤報率。

69、綜上所述，由于采用了上述技術(shù)方案，本發(fā)明能夠?qū)崿F(xiàn)對數(shù)據(jù)進行恢復(fù)，保證數(shù)據(jù)的安全性。

70、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

技術(shù)特征：

1.一種基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)的數(shù)據(jù)比為7:3。

3.根據(jù)權(quán)利要求1所述的基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，在步驟s1中還包括對備份還原數(shù)據(jù)進行預(yù)處理。

4.根據(jù)權(quán)利要求1所述的基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，對備份還原數(shù)據(jù)進行預(yù)處理的方法為：

5.根據(jù)權(quán)利要求1所述的基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，在步驟s2中，gans模型依次由生成器和判別器連接構(gòu)成。

6.根據(jù)權(quán)利要求1所述的基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，還包括步驟s6，對gans模型進行指標(biāo)評價，評價指標(biāo)包括準(zhǔn)確率、查準(zhǔn)率、誤報率、之一或者任意組合。

7.根據(jù)權(quán)利要求1所述的基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，準(zhǔn)確率的計算方法為：

8.根據(jù)權(quán)利要求1所述的基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，查準(zhǔn)率的計算方法為：

9.根據(jù)權(quán)利要求1所述的基于gans模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，其特征在于，誤報率的計算方法為：

技術(shù)總結(jié)
本發(fā)明提出了一種基于GANs模型的容災(zāi)數(shù)據(jù)完整性驗證與恢復(fù)方法，包括以下步驟：S1，獲取備份還原數(shù)據(jù)，將備份還原數(shù)據(jù)劃分為訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)；S2，構(gòu)建GANs模型的生成器和判別器結(jié)構(gòu)，根據(jù)構(gòu)建的生成器和判別器構(gòu)成GANs模型；S3，將步驟S1中的訓(xùn)練集數(shù)據(jù)輸入GANs模型進行訓(xùn)練，更新生成器和判別器參數(shù)；S4，將步驟S1中的測試集數(shù)據(jù)輸入GANs模型，生成恢復(fù)圖像數(shù)據(jù)。本發(fā)明能夠?qū)崿F(xiàn)對數(shù)據(jù)進行恢復(fù)，保證數(shù)據(jù)的安全性。

技術(shù)研發(fā)人員：鄒敏,張治清,蔣正坤,王彥集,田云兵,張浩,閆亮,張好,黃九松,鄭翔,李翔,洪永文,朱丹,劉小立,劉倩雯,徐曉青,向友云,杜康,周振宇
受保護的技術(shù)使用者：重慶市規(guī)劃和自然資源信息中心
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21