基于改进Noekeon算法的数据混合加密方案设计

针对传统医疗数据信息加密算法存在的安全性差、运行效率低以及缺乏系统性的缺点,文中基于改进Noekeon算法提出了一种医疗数据混合加密方案。该方案对于原Noekeon算法密钥长度短且需要耗费大量算力的问题,把改进Logistic混沌序列和切比雪夫混沌序列混合,进行同或逻辑操作,并将该序列作为模型初始密钥,进而增加算法密钥的随机性以提升安全性能。同时,通过构建Hadoop集群,对算法进行并行部署以提高运行效率。在实验测试中所提算法的加解密时间缩短了20%以上,在对比算法中为最优,且吞吐量与节点数量的变化趋势相同。在破译时间相同的情况下,算法所用的密钥最短,充分说明了算法具有较好的安全性和运行效率。

基于KD树和混沌蜉蝣优化的并行谱聚类算法

针对大数据环境下并行谱聚类算法存在的节点负载不均衡、冗余计算、矩阵相乘时间开销大以及初始簇中心敏感等问题,提出了基于KD(k-dimension)树和混沌蜉蝣优化算法的并行谱聚类算法(PSC-MO)。首先,提出基于采样的KD-tree数据分区策略(DPS)划分数据,保证了节点间负载均衡;其次,在构建稀疏相似矩阵过程中,提出优化的分区分配策略(OPA)和基于三角不等式的KD树剪枝策略以进行跨分区的t近邻搜索,避免了过多的冗余计算;然后,提出正规化定理,通过元素对应相乘的方式代替矩阵相乘以优化Laplacian矩阵正规化过程,有效地减少了时间开销;最后,提出混沌蜉蝣优化算法(CMO),得到最佳位置作为初始簇中心后进行k-means并行聚类,解决了算法对初始簇中心敏感的问题。实验表明,PSC-MO算法不但具有良好的聚类效果,而且在大规模数据集上表现出了良好的数据和系统可扩展性。

基于神经网络的并行混沌数据安全加密系统设计

为解决并行混沌数据加密处理行为不可控问题,实现对网络加密信息的安全传输,设计基于神经网络的并行混沌数据安全加密系统。根据BP神经网络的实际拓扑形式,按需连接加密处理模块与数据读写接口模块,完成基于神经网络的加密系统硬件执行环境搭建。在此基础上,定义混沌映射关系,通过认证数据并行身份的处理方式,完善加密执行流程,实现应用系统软件执行环境搭建。结合各级硬件设备结构体系,完成基于神经网络的并行混沌数据安全加密系统设计。实验结果显示,与基于参数优化的应用系统相比,在神经网络作用下,主机元件表现出的内存占比率与混合占比率数值更贴近理想数值水平,不但解决了数据加密行为不可控问题,也实现了对网络加密信息的安全传输与处理。