基于递归神经网络的原始训练数据防泄漏密码生成系统设计

邹 洪，刘家豪，陈 锋，农彩勤，王 斌

（南方电网数字电网研究院有限公司网络安全公司，广东广州 510663）

递归神经网络是一种具有树状阶层结构的人工型神经应用网络，在实际执行环境中，可按照节点连接顺序对输入信息进行递归性安排，是深度学习算法的必要表现形式之一。一般情况下，这种网络结构体同时保持权重共享与拓扑结构可变的应用能力，可同时面对多种较为复杂的机器学习任务，在自然语言处理方面具有较强的实用性价值[1-2]。由于阶层分布原则的存在，高阶层节点只能被定义为父节点，而低阶层节点只能被定义为子节点，二者之间的信息传输关系始终保持不可逆状态。

训练数据是指在数据挖掘处理过程中，可直接用于训练数据挖掘模型的传输型应用信息，在实际选择时，遵循样本空间尽可能大、数据类型尽可能多的原则[3]。随着待处理训练数据总量的增大，信息传输安全性会出现明显下降的变化趋势。为避免上述情况的发生，传统进程监控型编码系统利用非可变译码脚本对训练数据样本进行处理，再利用传输密钥控制信息的实际传输速率。但此方法所需的译码等待时间相对较长，很难完全满足信息应用文件的及时性编码需求。为解决此问题，设计基于递归神经网络的原始训练数据防泄漏密码生成系统，联合数据收发器及源、译码文件等结构完成系统的软硬件执行环境搭建，再借助既定编码原则，实现对训练数据样本的及时处理。

1 密码生成系统的硬件设计

原始训练数据防泄漏密码生成系统的硬件执行环境由递归神经网络框架、训练数据收发器、信息防泄漏加密模块三部分共同组成，具体搭建方法如下。

1.1 递归神经网络框架

递归神经网络框架由输入头结点、数据递归结点、神经性应用节点、源码输出节点4 部分共同组成。其中，输入头结点负责整合运用传输的原始训练数据，并将其按需分配至各级网络设备元件之中。数据递归结点可在接收数据信息参量的同时，建立与神经性应用节点的信号传输关系，并可将原始训练信息参量整合成多极化传输的表现形式[4-5]。在此过程中，源码输出节点始终保持相对较为活跃的占用状态，可完整接收网络环境中的所有递归信号，并将其分别转存至不同的数据递归节点中。

1.2 训练数据收发器

图1 递归神经网络框架结构

训练数据收发器描述了递归神经网络在状态空间中的信息轨迹行为变化状态，一般情况下，随待传输原始训练数据样本的增大，递归信号的连接状态也会由面型转变为线型，且在递归神经网络中，该类型结构元件中的数据传输行为不会随样本轨迹的延长而出现发散性行为状态[6-7]。由于网络促进作用的影响，训练数据收发器一般可被看作具有初始化能力的信号处理元件，且由于训练性传输行为的存在，递归神经网络框架可直接对该原件中的信息传输行为进行控制，直至原始训练数据样本的编码执行速率逐渐趋于稳定。设s0代表神经网络中原始训练数据样本的最小递归传输系数，sn代表神经网络中原始训练数据样本的最大递归传输系数，n代表样本信息的递归处理次数，联立上述物理量，可将训练数据收发器的连接行为定义为：

其中，代表原始训练数据样本的传输均值，w1、w2分别代表两个不同的样本数据参量。

1.3 信息防泄漏加密模块

信息防泄漏加密模块是原始训练数据防泄漏密码生成系统中的核心执行设备，由文件缓存、样本信息读写、缓存数据处理等多个应用元件共同组成。其中，文件缓存设备位于信息防泄漏加密模块的顶层执行单元中，可在缓冲读写指令的作用下，实现对原始训练数据样本的防泄漏编码处理，并可借助输出信道，将这些信息参量存储于系统数据库单元之中[8-9]。缓存数据处理设备位于信息防泄漏加密模块的底层执行单元中，可随待读写样本信息总量的增加，更改设备结构体中的信息存储权限值，从而使模块的实际执行需求得到满足。

图2 信息防泄漏加密模块结构图

2 密码生成系统的软件设计

在递归神经网络的支持下，按照源码文件建立、译码文件建立、编码原则制定的处理流程，实现系统的软件执行环境搭建，两相结合，完成基于递归神经网络的原始训练数据防泄漏密码生成系统设计。

2.1 源码文件

源码文件是原始训练数据样本防泄漏编码处理的核心依据条件，一般情况下，编码原则的制定，必须完全依赖该信息参量的实际存在形式[10-11]。在递归神经网络中，原始训练数据样本的实际存储值越大，最终解码生成的信息参量样本数量级水平也就越高，且在既定编码时间内，相关译码参量的指标数值基本始终保持稳定[12]。设Δp代表原始训练数据样本防泄漏编码条件在单位时间内的实值变化量，一般情况下，若编码指令的传输消耗时长不发生改变，则该项物理量的数值水平也会始终保持稳定。λ代表与原始训练数据样本相关的密码编译条件，在上述物理量的支持下，联立式（1），可将递归神经网络中的源码文件定义为：

式中，e0代表防泄漏数据密码的最小传输条件，en代表防泄漏数据密码的最大传输条件，u1、u2分别代表两个不同的原始训练数据转码条件。

2.2 译码文件

译码文件是与原始训练数据样本相关的密码转录样本，通常情况下，该类型参量的存在形式受到源码文件的直接影响，且二者之间的作用关系始终可表示为，前者作为跟随变量、后者作为主动变量[13-14]。规定x0代表递归神经网络中最小的数据信息防泄编码条件，xn代表递归神经网络中最大的数据信息防泄编码条件，一般情况下，x0、xn之间的物理空间实值越大，译码文件所覆盖的数据传输范围也就越大。联立式（1），可将原始训练数据的译码文件定义为：

式中，r1代表原始训练数据的初级防泄漏编码条件，r2代表原始训练数据的引申级防泄漏编码条件，代表数据样本信息的训练编码均值量。

2.3 编码原则

编码原则建立是基于递归神经网络原始训练数据防泄漏密码生成系统设计的末尾处理环节，可在已知数据信息存储样本条件的情况下，确定译码指令生成所需的实际消耗时长，从而抑制非主观训练数据信息的错误传输行为[15-16]。将第一个原始训练数据样本的防泄漏编码参量命名为f1，将第n个原始训练数据样本的防泄漏编码参量命名为fn，若不考虑递归神经网络中其他信息参量指标对原始训练数据传输行为的影响，则可认为fn＞f1的数值限制关系恒成立。设β代表既定的数据密码转录系数，联立式（3），可将系统所执行的编码原则定义为：

式中，k0代表原始训练数据输入量为0 时的信息防泄漏编码条件，kn代表原始训练数据输入量为n时的信息防泄漏编码条件，X代表密码样本中的信息转录实值。至此，完成各项软硬件执行环境的搭建，在递归神经网络的支持下[17-18]，实现原始训练数据防泄漏密码生成系统的顺利应用。

3 系统应用能力测试

为验证基于递归神经网络原始训练数据防泄漏密码生成系统的实际应用价值，设计如下对比实验。搭建如图3 所示的原始训练数据防泄漏编码处理网络，分别将实验组、对照组编码主机接入终端服务器设备之中，其中实验组主机搭载基于递归神经网络原始训练数据防泄漏密码生成系统，对照组主机搭载传统进程监控型编码系统，在确保其他实验环境保持不变的情况下，分析相关实验指标的数值变化情况。

图3 数据防泄漏密码生成原理

以20 min 作为一个单位时长，分别记录在3 个单位时长内，实验组、对照组系统可同时处理原始训练数据总量的具体数值变化趋势，实验详情如表1所示。

表1 单位时间内的原始训练数据处理量

分析表1 可知，实验组原始训练数据处理量在每一个单位时长内均呈现不断上升的变化趋势，但在相邻两个单位时长内，却呈现小幅下降的变化状态。对照组原始训练数据处理量在实验前期一直不断上升，从第2 个单位时长开始，这种数值变化状态的上升能力明显减弱，综上可知，所设计系统单位时间内的原始训练数据处理量水平明显增大，符合加强原始训练数据传输安全性的实际应用需求。

表2 记录了当数据信息总量不断增大时，系统译码等待时间的具体变化情况。

分析表2 可知，随着数据信息总量的增大，实验组系统译码等待时间保持先上升、再稳定、最后下降的变化状态，而对照组系统译码等待时间则始终保持不断上升的变化状态。从极值角度来看，实验组最大值0.50 s 与对照组最大值0.88 s 相比，下降了0.38 s。综上可知，所设计系统的数据信息的译码等待时间得到了有效控制，可实现对信息应用文件的及时性编码与处理。

表2 系统译码等待时间对比表

4 结束语

从实用性角度来看，基于递归神经网络原始训练数据防泄漏密码生成系统可在缩短数据信息译码等待时间的同时，扩充单位时间内的信息数据处理量[19]，不仅能够实现对信息应用文件的及时性编码，也可大幅加强原始训练数据的传输安全性。