基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法與流程

本發(fā)明涉及大數(shù)據(jù)領(lǐng)域，具體涉及基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法。

背景技術(shù)：

隨著移動(dòng)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等技術(shù)的興起，全球范圍內(nèi)數(shù)據(jù)量迅猛增長，大數(shù)據(jù)時(shí)代己經(jīng)來臨。伴隨著大數(shù)據(jù)的產(chǎn)生，其在現(xiàn)代社會(huì)和經(jīng)濟(jì)活動(dòng)中發(fā)揮著極其重要的作用。

大數(shù)據(jù)基本都是基于云計(jì)算，在這其中，數(shù)據(jù)的分析以及檢索技術(shù)，是整個(gè)大數(shù)據(jù)領(lǐng)域的關(guān)鍵支撐技術(shù)。大規(guī)模數(shù)據(jù)給傳統(tǒng)的多媒體研究，尤其是基于圖像的應(yīng)用和研究帶來了新的挑戰(zhàn)和機(jī)遇。

可信計(jì)算是在計(jì)算和通信系統(tǒng)中廣泛使用基于硬件安全模塊支持下的可信計(jì)算平臺(tái)，以提高系統(tǒng)整體的安全性。信息安全具有四個(gè)側(cè)面:設(shè)備安全、數(shù)據(jù)安全、內(nèi)容安全與行為安全。行為安全包括：行為的機(jī)密性、行為的完整性、行為的真實(shí)性等特征?？尚庞?jì)算為行為安全而生。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問題，本發(fā)明提供基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法。

本發(fā)明的目的采用以下技術(shù)方案來實(shí)現(xiàn)：

基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法，其特征是，包括以下步驟：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲(chǔ)存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記；

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個(gè)關(guān)鍵詞劃分為多個(gè)第一子數(shù)據(jù)庫，同時(shí)按照所述關(guān)鍵詞對(duì)非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類；

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個(gè)第二子數(shù)據(jù)庫，并對(duì)圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對(duì)應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類；

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時(shí)，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個(gè)第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果；每個(gè)第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實(shí)現(xiàn)：

(1-1)采用SIFT特征對(duì)圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對(duì)局部特征進(jìn)行量化，設(shè)由M個(gè)局部特征向量組成的樣本空間X＝{x₁，…，x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對(duì)應(yīng)的視覺單詞的映射關(guān)系，j＝1，…，M；

b.設(shè)碼本空間中包含N個(gè)視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對(duì)權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時(shí)任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對(duì)于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}})}^2}}$

S(p,q)越大，表明兩幅圖像越接近；

(5)對(duì)計(jì)算結(jié)果進(jìn)行可信評(píng)估。

優(yōu)選地，其特征是，步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個(gè)具有較大尺度的主特征和由這個(gè)主特征空間覆蓋的若干個(gè)具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個(gè)特征組合，Z_l為第l個(gè)特征組合的主特征，Y_l為第l個(gè)特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對(duì)應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對(duì)于任意兩個(gè)特征組合C_f(Z_f，Y_f)和C_g(Z_g，Y_g)，定義兩個(gè)特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時(shí)：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時(shí)：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時(shí)：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示兩個(gè)特征的余弦相似度，Y_fi是Y_f中的元素，Y_fi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對(duì)于給定的查詢圖像I_p，首先提取其特征組合集，將每個(gè)特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計(jì)算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計(jì)算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對(duì)兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

優(yōu)選地，所述可信評(píng)估包含以下步驟：

步驟1：定義用于評(píng)估的各項(xiàng)可信屬性，可信屬性是分類的，可信屬性可以向下分解為子屬性；

步驟2：對(duì)于每項(xiàng)可信屬性或子屬性，提煉出對(duì)它的評(píng)價(jià)指標(biāo)，可以用這些評(píng)價(jià)指標(biāo)從不同的側(cè)面對(duì)可信屬性或子屬性進(jìn)行評(píng)價(jià)；

步驟3：對(duì)于每項(xiàng)可信屬性或子屬性，定義出對(duì)它的評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)標(biāo)準(zhǔn)分為四級(jí)：優(yōu)、良、中、差，評(píng)價(jià)標(biāo)準(zhǔn)是基于評(píng)價(jià)指標(biāo)的，即根據(jù)每個(gè)評(píng)價(jià)指標(biāo)的取值組合來決定可信屬性或子屬性達(dá)到了哪一級(jí)評(píng)價(jià)標(biāo)準(zhǔn)；

步驟4：在開展可信評(píng)估活動(dòng)之前，根據(jù)評(píng)估重點(diǎn)的不同，形成不同可信評(píng)估模板，并基于此模板開展可信評(píng)估活動(dòng)，從而使得可信評(píng)估更有針對(duì)性，評(píng)估的結(jié)果更精確。

本發(fā)明的有益效果為：通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個(gè)子數(shù)據(jù)庫，檢索時(shí)先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計(jì)算量，提高了運(yùn)算速度；基于單詞包表示圖像時(shí)，提出了加權(quán)表示和第一視覺相似度，減少了時(shí)間開銷；基于特征組合表示圖像時(shí)，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對(duì)位置信息進(jìn)行局部幾何校驗(yàn)，剔除可能存在的錯(cuò)誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；保護(hù)了指定的數(shù)據(jù)存儲(chǔ)區(qū)，防止敵手實(shí)施特定類型的物理訪問；賦予了所有在計(jì)算平臺(tái)上執(zhí)行的代碼以證明它在一個(gè)未被篡改環(huán)境中運(yùn)行的能力，從廣義的角度，可信計(jì)算平臺(tái)為網(wǎng)絡(luò)用戶提供了一個(gè)更為寬廣的安全環(huán)境，它從安全體系的角度來描述安全問題，確保用戶的安全執(zhí)行環(huán)境，突破被動(dòng)防御打補(bǔ)丁方式。

附圖說明

利用附圖對(duì)本發(fā)明作進(jìn)一步說明，但附圖中的實(shí)施例不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法的示意圖。

具體實(shí)施方式

結(jié)合以下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。

實(shí)施例1：基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法，包括以下步驟：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲(chǔ)存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記，例如將一張圖片和對(duì)這張圖片的說明信息視為來源相同，并作對(duì)應(yīng)標(biāo)記。這里所指的來源相同，一般是指在在同一時(shí)間接收到的來自同一網(wǎng)絡(luò)地址的圖像信息和非圖像信息。

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個(gè)關(guān)鍵詞劃分為多個(gè)第一子數(shù)據(jù)庫，同時(shí)按照所述關(guān)鍵詞對(duì)非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類。

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個(gè)第二子數(shù)據(jù)庫，并對(duì)圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對(duì)應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類。

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時(shí)，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個(gè)第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果。關(guān)鍵詞的相關(guān)度計(jì)算，可以按照順序、同字符數(shù)量等標(biāo)準(zhǔn)來計(jì)算，這類計(jì)算方法在現(xiàn)有技術(shù)中已經(jīng)很成熟，在此不再詳述。

每個(gè)第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實(shí)現(xiàn)：

(1-1)采用SIFT特征對(duì)圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對(duì)局部特征進(jìn)行量化，設(shè)由M個(gè)局部特征向量組成的樣本空間X＝{x₁,…,x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對(duì)應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個(gè)視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對(duì)權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時(shí)任一圖像的高維稀疏向量表示為｛δ₁,…,δ_N｝；

c.對(duì)于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}})}^2}}$

S(p,q)越大，表明兩幅圖像越接近；

(5)對(duì)計(jì)算結(jié)果進(jìn)行可信評(píng)估。

優(yōu)選地，其特征是，步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個(gè)具有較大尺度的主特征和由這個(gè)主特征空間覆蓋的若干個(gè)具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個(gè)特征組合，Z_l為第l個(gè)特征組合的主特征，Y_l為第l個(gè)特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對(duì)應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對(duì)于任意兩個(gè)特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個(gè)特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時(shí)：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時(shí)：

R(C_f，C_g)＝0.5{(Y_fi，Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時(shí)：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示兩個(gè)特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對(duì)于給定的查詢圖像I_p，首先提取其特征組合集，將每個(gè)特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計(jì)算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計(jì)算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對(duì)兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

優(yōu)選地，所述可信評(píng)估包含以下步驟：

步驟1：定義用于評(píng)估的各項(xiàng)可信屬性，可信屬性是分類的，可信屬性可以向下分解為子屬性；

步驟2：對(duì)于每項(xiàng)可信屬性或子屬性，提煉出對(duì)它的評(píng)價(jià)指標(biāo)，可以用這些評(píng)價(jià)指標(biāo)從不同的側(cè)面對(duì)可信屬性或子屬性進(jìn)行評(píng)價(jià)；

步驟3：對(duì)于每項(xiàng)可信屬性或子屬性，定義出對(duì)它的評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)標(biāo)準(zhǔn)分為四級(jí)：優(yōu)、良、中、差，評(píng)價(jià)標(biāo)準(zhǔn)是基于評(píng)價(jià)指標(biāo)的，即根據(jù)每個(gè)評(píng)價(jià)指標(biāo)的取值組合來決定可信屬性或子屬性達(dá)到了哪一級(jí)評(píng)價(jià)標(biāo)準(zhǔn)；

步驟4：在開展可信評(píng)估活動(dòng)之前，根據(jù)評(píng)估重點(diǎn)的不同，形成不同可信評(píng)估模板，并基于此模板開展可信評(píng)估活動(dòng)，從而使得可信評(píng)估更有針對(duì)性，評(píng)估的結(jié)果更精確。

在本實(shí)施例的基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個(gè)子數(shù)據(jù)庫，檢索時(shí)先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計(jì)算量，提高了運(yùn)算速度；基于單詞包表示圖像時(shí)，提出了加權(quán)表示和第一視覺相似度，減少了時(shí)間開銷；基于特征組合表示圖像時(shí)，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對(duì)位置信息進(jìn)行局部幾何校驗(yàn)，剔除可能存在的錯(cuò)誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％；保護(hù)了指定的數(shù)據(jù)存儲(chǔ)區(qū)，防止敵手實(shí)施特定類型的物理訪問；賦予了所有在計(jì)算平臺(tái)上執(zhí)行的代碼以證明它在一個(gè)未被篡改環(huán)境中運(yùn)行的能力，從廣義的角度，可信計(jì)算平臺(tái)為網(wǎng)絡(luò)用戶提供了一個(gè)更為寬廣的安全環(huán)境，它從安全體系的角度來描述安全問題，確保用戶的安全執(zhí)行環(huán)境，突破被動(dòng)防御打補(bǔ)丁方式。

實(shí)施例2：基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法，包括以下步驟：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲(chǔ)存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記，例如將一張圖片和對(duì)這張圖片的說明信息視為來源相同，并作對(duì)應(yīng)標(biāo)記。這里所指的來源相同，一般是指在在同一時(shí)間接收到的來自同一網(wǎng)絡(luò)地址的圖像信息和非圖像信息。

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個(gè)關(guān)鍵詞劃分為多個(gè)第一子數(shù)據(jù)庫，同時(shí)按照所述關(guān)鍵詞對(duì)非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類。

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個(gè)第二子數(shù)據(jù)庫，并對(duì)圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對(duì)應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類。

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時(shí)，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個(gè)第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果。關(guān)鍵詞的相關(guān)度計(jì)算，可以按照順序、同字符數(shù)量等標(biāo)準(zhǔn)來計(jì)算，這類計(jì)算方法在現(xiàn)有技術(shù)中已經(jīng)很成熟，在此不再詳述。

每個(gè)第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實(shí)現(xiàn)：

(1-1)采用SIFT特征對(duì)圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對(duì)局部特征進(jìn)行量化，設(shè)由M個(gè)局部特征向量組成的樣本空間X＝{x₁，…，x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對(duì)應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個(gè)視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對(duì)權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時(shí)任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對(duì)于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}})}^2}}$

S(p,q)越大，表明兩幅圖像越接近；

(5)對(duì)計(jì)算結(jié)果進(jìn)行可信評(píng)估。

優(yōu)選地，其特征是，步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個(gè)具有較大尺度的主特征和由這個(gè)主特征空間覆蓋的若干個(gè)具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個(gè)特征組合，Z_l為第l個(gè)特征組合的主特征，Y_l為第l個(gè)特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對(duì)應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對(duì)于任意兩個(gè)特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個(gè)特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時(shí)：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g，cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時(shí)：

R(C_f，C_g)＝0.5{(Y_fi，Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g，cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時(shí)：

R(C_f，C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示兩個(gè)特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對(duì)于給定的查詢圖像I_p，首先提取其特征組合集，將每個(gè)特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計(jì)算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計(jì)算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對(duì)兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

優(yōu)選地，所述可信評(píng)估包含以下步驟：

步驟1：定義用于評(píng)估的各項(xiàng)可信屬性，可信屬性是分類的，可信屬性可以向下分解為子屬性；

步驟2：對(duì)于每項(xiàng)可信屬性或子屬性，提煉出對(duì)它的評(píng)價(jià)指標(biāo)，可以用這些評(píng)價(jià)指標(biāo)從不同的側(cè)面對(duì)可信屬性或子屬性進(jìn)行評(píng)價(jià)；

步驟3：對(duì)于每項(xiàng)可信屬性或子屬性，定義出對(duì)它的評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)標(biāo)準(zhǔn)分為四級(jí)：優(yōu)、良、中、差，評(píng)價(jià)標(biāo)準(zhǔn)是基于評(píng)價(jià)指標(biāo)的，即根據(jù)每個(gè)評(píng)價(jià)指標(biāo)的取值組合來決定可信屬性或子屬性達(dá)到了哪一級(jí)評(píng)價(jià)標(biāo)準(zhǔn)；

步驟4：在開展可信評(píng)估活動(dòng)之前，根據(jù)評(píng)估重點(diǎn)的不同，形成不同可信評(píng)估模板，并基于此模板開展可信評(píng)估活動(dòng)，從而使得可信評(píng)估更有針對(duì)性，評(píng)估的結(jié)果更精確。

在本實(shí)施例的基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個(gè)子數(shù)據(jù)庫，檢索時(shí)先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計(jì)算量，提高了運(yùn)算速度；基于單詞包表示圖像時(shí)，提出了加權(quán)表示和第一視覺相似度，減少了時(shí)間開銷；基于特征組合表示圖像時(shí)，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對(duì)位置信息進(jìn)行局部幾何校驗(yàn)，剔除可能存在的錯(cuò)誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％；保護(hù)了指定的數(shù)據(jù)存儲(chǔ)區(qū)，防止敵手實(shí)施特定類型的物理訪問；賦予了所有在計(jì)算平臺(tái)上執(zhí)行的代碼以證明它在一個(gè)未被篡改環(huán)境中運(yùn)行的能力，從廣義的角度，可信計(jì)算平臺(tái)為網(wǎng)絡(luò)用戶提供了一個(gè)更為寬廣的安全環(huán)境，它從安全體系的角度來描述安全問題，確保用戶的安全執(zhí)行環(huán)境，突破被動(dòng)防御打補(bǔ)丁方式。

實(shí)施例3：基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法，包括以下步驟：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲(chǔ)存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記，例如將一張圖片和對(duì)這張圖片的說明信息視為來源相同，并作對(duì)應(yīng)標(biāo)記。這里所指的來源相同，一般是指在在同一時(shí)間接收到的來自同一網(wǎng)絡(luò)地址的圖像信息和非圖像信息。

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個(gè)關(guān)鍵詞劃分為多個(gè)第一子數(shù)據(jù)庫，同時(shí)按照所述關(guān)鍵詞對(duì)非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類。

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個(gè)第二子數(shù)據(jù)庫，并對(duì)圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對(duì)應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類。

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時(shí)，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個(gè)第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果。關(guān)鍵詞的相關(guān)度計(jì)算，可以按照順序、同字符數(shù)量等標(biāo)準(zhǔn)來計(jì)算，這類計(jì)算方法在現(xiàn)有技術(shù)中已經(jīng)很成熟，在此不再詳述。

每個(gè)第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實(shí)現(xiàn)：

(1-1)采用SIFT特征對(duì)圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對(duì)局部特征進(jìn)行量化，設(shè)由M個(gè)局部特征向量組成的樣本空間X＝{x₁,…,x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對(duì)應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個(gè)視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N｝，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對(duì)權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時(shí)任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對(duì)于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p，q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}})}^2}}$

S(p，q)越大，表明兩幅圖像越接近；

(5)對(duì)計(jì)算結(jié)果進(jìn)行可信評(píng)估。

優(yōu)選地，其特征是，步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個(gè)具有較大尺度的主特征和由這個(gè)主特征空間覆蓋的若干個(gè)具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l，Y_l)；

式中，C_l表示第l個(gè)特征組合，Z_l為第l個(gè)特征組合的主特征，Y_l為第l個(gè)特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對(duì)應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對(duì)于任意兩個(gè)特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個(gè)特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時(shí)：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時(shí)：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時(shí)：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示兩個(gè)特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，｛(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對(duì)于給定的查詢圖像I_p，首先提取其特征組合集，將每個(gè)特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計(jì)算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計(jì)算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對(duì)兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

優(yōu)選地，所述可信評(píng)估包含以下步驟：

步驟1：定義用于評(píng)估的各項(xiàng)可信屬性，可信屬性是分類的，可信屬性可以向下分解為子屬性；

步驟2：對(duì)于每項(xiàng)可信屬性或子屬性，提煉出對(duì)它的評(píng)價(jià)指標(biāo)，可以用這些評(píng)價(jià)指標(biāo)從不同的側(cè)面對(duì)可信屬性或子屬性進(jìn)行評(píng)價(jià)；

步驟3：對(duì)于每項(xiàng)可信屬性或子屬性，定義出對(duì)它的評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)標(biāo)準(zhǔn)分為四級(jí)：優(yōu)、良、中、差，評(píng)價(jià)標(biāo)準(zhǔn)是基于評(píng)價(jià)指標(biāo)的，即根據(jù)每個(gè)評(píng)價(jià)指標(biāo)的取值組合來決定可信屬性或子屬性達(dá)到了哪一級(jí)評(píng)價(jià)標(biāo)準(zhǔn)；

步驟4：在開展可信評(píng)估活動(dòng)之前，根據(jù)評(píng)估重點(diǎn)的不同，形成不同可信評(píng)估模板，并基于此模板開展可信評(píng)估活動(dòng)，從而使得可信評(píng)估更有針對(duì)性，評(píng)估的結(jié)果更精確。

在本實(shí)施例的基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個(gè)子數(shù)據(jù)庫，檢索時(shí)先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計(jì)算量，提高了運(yùn)算速度；基于單詞包表示圖像時(shí)，提出了加權(quán)表示和第一視覺相似度，減少了時(shí)間開銷；基于特征組合表示圖像時(shí)，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對(duì)位置信息進(jìn)行局部幾何校驗(yàn)，剔除可能存在的錯(cuò)誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％；保護(hù)了指定的數(shù)據(jù)存儲(chǔ)區(qū)，防止敵手實(shí)施特定類型的物理訪問；賦予了所有在計(jì)算平臺(tái)上執(zhí)行的代碼以證明它在一個(gè)未被篡改環(huán)境中運(yùn)行的能力，從廣義的角度，可信計(jì)算平臺(tái)為網(wǎng)絡(luò)用戶提供了一個(gè)更為寬廣的安全環(huán)境，它從安全體系的角度來描述安全問題，確保用戶的安全執(zhí)行環(huán)境，突破被動(dòng)防御打補(bǔ)丁方式。

實(shí)施例4：基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法，包括以下步驟：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲(chǔ)存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記，例如將一張圖片和對(duì)這張圖片的說明信息視為來源相同，并作對(duì)應(yīng)標(biāo)記。這里所指的來源相同，一般是指在在同一時(shí)間接收到的來自同一網(wǎng)絡(luò)地址的圖像信息和非圖像信息。

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個(gè)關(guān)鍵詞劃分為多個(gè)第一子數(shù)據(jù)庫，同時(shí)按照所述關(guān)鍵詞對(duì)非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類。

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個(gè)第二子數(shù)據(jù)庫，并對(duì)圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對(duì)應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類。

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時(shí)，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個(gè)第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果。關(guān)鍵詞的相關(guān)度計(jì)算，可以按照順序、同字符數(shù)量等標(biāo)準(zhǔn)來計(jì)算，這類計(jì)算方法在現(xiàn)有技術(shù)中已經(jīng)很成熟，在此不再詳述。

每個(gè)第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實(shí)現(xiàn)：

(1-1)采用SIFT特征對(duì)圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對(duì)局部特征進(jìn)行量化，設(shè)由M個(gè)局部特征向量組成的樣本空間X＝{x₁,…，x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對(duì)應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個(gè)視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對(duì)權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時(shí)任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對(duì)于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}})}^2}}$

S(p,q)越大，表明兩幅圖像越接近；

(5)對(duì)計(jì)算結(jié)果進(jìn)行可信評(píng)估。

優(yōu)選地，其特征是，步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個(gè)具有較大尺度的主特征和由這個(gè)主特征空間覆蓋的若干個(gè)具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個(gè)特征組合，Z_l為第l個(gè)特征組合的主特征，Y_l為第l個(gè)特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對(duì)應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對(duì)于任意兩個(gè)特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個(gè)特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時(shí)：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時(shí)：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時(shí)：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示兩個(gè)特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對(duì)于給定的查詢圖像I_p，首先提取其特征組合集，將每個(gè)特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計(jì)算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計(jì)算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對(duì)兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

優(yōu)選地，所述可信評(píng)估包含以下步驟：

步驟1：定義用于評(píng)估的各項(xiàng)可信屬性，可信屬性是分類的，可信屬性可以向下分解為子屬性；

步驟2：對(duì)于每項(xiàng)可信屬性或子屬性，提煉出對(duì)它的評(píng)價(jià)指標(biāo)，可以用這些評(píng)價(jià)指標(biāo)從不同的側(cè)面對(duì)可信屬性或子屬性進(jìn)行評(píng)價(jià)；

步驟3：對(duì)于每項(xiàng)可信屬性或子屬性，定義出對(duì)它的評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)標(biāo)準(zhǔn)分為四級(jí)：優(yōu)、良、中、差，評(píng)價(jià)標(biāo)準(zhǔn)是基于評(píng)價(jià)指標(biāo)的，即根據(jù)每個(gè)評(píng)價(jià)指標(biāo)的取值組合來決定可信屬性或子屬性達(dá)到了哪一級(jí)評(píng)價(jià)標(biāo)準(zhǔn)；

步驟4：在開展可信評(píng)估活動(dòng)之前，根據(jù)評(píng)估重點(diǎn)的不同，形成不同可信評(píng)估模板，并基于此模板開展可信評(píng)估活動(dòng)，從而使得可信評(píng)估更有針對(duì)性，評(píng)估的結(jié)果更精確。

在本實(shí)施例的基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個(gè)子數(shù)據(jù)庫，檢索時(shí)先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計(jì)算量，提高了運(yùn)算速度；基于單詞包表示圖像時(shí)，提出了加權(quán)表示和第一視覺相似度，減少了時(shí)間開銷；基于特征組合表示圖像時(shí)，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對(duì)位置信息進(jìn)行局部幾何校驗(yàn)，剔除可能存在的錯(cuò)誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％；保護(hù)了指定的數(shù)據(jù)存儲(chǔ)區(qū)，防止敵手實(shí)施特定類型的物理訪問；賦予了所有在計(jì)算平臺(tái)上執(zhí)行的代碼以證明它在一個(gè)未被篡改環(huán)境中運(yùn)行的能力，從廣義的角度，可信計(jì)算平臺(tái)為網(wǎng)絡(luò)用戶提供了一個(gè)更為寬廣的安全環(huán)境，它從安全體系的角度來描述安全問題，確保用戶的安全執(zhí)行環(huán)境，突破被動(dòng)防御打補(bǔ)丁方式。

實(shí)施例5：基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法，包括以下步驟：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲(chǔ)存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記，例如將一張圖片和對(duì)這張圖片的說明信息視為來源相同，并作對(duì)應(yīng)標(biāo)記。這里所指的來源相同，一般是指在在同一時(shí)間接收到的來自同一網(wǎng)絡(luò)地址的圖像信息和非圖像信息。

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個(gè)關(guān)鍵詞劃分為多個(gè)第一子數(shù)據(jù)庫，同時(shí)按照所述關(guān)鍵詞對(duì)非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類。

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個(gè)第二子數(shù)據(jù)庫，并對(duì)圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲(chǔ)存到對(duì)應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對(duì)應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類。

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時(shí)，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個(gè)第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果。關(guān)鍵詞的相關(guān)度計(jì)算，可以按照順序、同字符數(shù)量等標(biāo)準(zhǔn)來計(jì)算，這類計(jì)算方法在現(xiàn)有技術(shù)中已經(jīng)很成熟，在此不再詳述。

每個(gè)第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實(shí)現(xiàn)：

(1-1)采用SIFT特征對(duì)圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對(duì)局部特征進(jìn)行量化，設(shè)由M個(gè)局部特征向量組成的樣本空間X＝{x₁,…,x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對(duì)應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個(gè)視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,...,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對(duì)權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時(shí)任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對(duì)于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}})}^2}}$

S(p,q)越大，表明兩幅圖像越接近；

(5)對(duì)計(jì)算結(jié)果進(jìn)行可信評(píng)估。

優(yōu)選地，其特征是，步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個(gè)具有較大尺度的主特征和由這個(gè)主特征空間覆蓋的若干個(gè)具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l，Y_l)；

式中，C_l表示第l個(gè)特征組合，Z_l為第l個(gè)特征組合的主特征，Y_l為第l個(gè)特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l)，a(Y_l)＜0.2×a(P)，且Y_l對(duì)應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對(duì)于任意兩個(gè)特征組合C_f(Z_f，Y_f)和C_g(Z_g，Y_g)，定義兩個(gè)特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時(shí)：

R(C_f，C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時(shí)：

R(C_f，C_g)＝0.5{(Y_fi，Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g，cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時(shí)：

R(C_f，C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示兩個(gè)特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi，Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g，cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對(duì)于給定的查詢圖像I_p，首先提取其特征組合集，將每個(gè)特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計(jì)算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計(jì)算：

d＝S(I_p，I_q)×maxR(I_p，I_q)

其中，S(p，q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p，I_q)表示對(duì)兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

優(yōu)選地，所述可信評(píng)估包含以下步驟：

步驟1：定義用于評(píng)估的各項(xiàng)可信屬性，可信屬性是分類的，可信屬性可以向下分解為子屬性；

步驟2：對(duì)于每項(xiàng)可信屬性或子屬性，提煉出對(duì)它的評(píng)價(jià)指標(biāo)，可以用這些評(píng)價(jià)指標(biāo)從不同的側(cè)面對(duì)可信屬性或子屬性進(jìn)行評(píng)價(jià)；

步驟3：對(duì)于每項(xiàng)可信屬性或子屬性，定義出對(duì)它的評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)標(biāo)準(zhǔn)分為四級(jí)：優(yōu)、良、中、差，評(píng)價(jià)標(biāo)準(zhǔn)是基于評(píng)價(jià)指標(biāo)的，即根據(jù)每個(gè)評(píng)價(jià)指標(biāo)的取值組合來決定可信屬性或子屬性達(dá)到了哪一級(jí)評(píng)價(jià)標(biāo)準(zhǔn)；

步驟4：在開展可信評(píng)估活動(dòng)之前，根據(jù)評(píng)估重點(diǎn)的不同，形成不同可信評(píng)估模板，并基于此模板開展可信評(píng)估活動(dòng)，從而使得可信評(píng)估更有針對(duì)性，評(píng)估的結(jié)果更精確。

在本實(shí)施例的基于可信云計(jì)算的信息大數(shù)據(jù)分析支撐方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個(gè)子數(shù)據(jù)庫，檢索時(shí)先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計(jì)算量，提高了運(yùn)算速度；基于單詞包表示圖像時(shí)，提出了加權(quán)表示和第一視覺相似度，減少了時(shí)間開銷；基于特征組合表示圖像時(shí)，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對(duì)位置信息進(jìn)行局部幾何校驗(yàn)，剔除可能存在的錯(cuò)誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％；保護(hù)了指定的數(shù)據(jù)存儲(chǔ)區(qū)，防止敵手實(shí)施特定類型的物理訪問；賦予了所有在計(jì)算平臺(tái)上執(zhí)行的代碼以證明它在一個(gè)未被篡改環(huán)境中運(yùn)行的能力，從廣義的角度，可信計(jì)算平臺(tái)為網(wǎng)絡(luò)用戶提供了一個(gè)更為寬廣的安全環(huán)境，它從安全體系的角度來描述安全問題，確保用戶的安全執(zhí)行環(huán)境，突破被動(dòng)防御打補(bǔ)丁方式。

最后應(yīng)當(dāng)說明的是，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明作了詳細(xì)地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。