一种基于人工智能的大数据水印方法技术

本发明专利技术提供一种基于人工智能的大数据水印方法，包括：当接收到用户的添加水印的请求时，获取对应请求的第一目标文件数据和第一环境数据；对第一目标文件数据和第一环境数据进行特征提取，获得多个特征值；将特征值输入事先训练的神经网络模型，获取水印的参数；基于参数，对目标文件进行水印添加。本发明专利技术的基于人工智能的大数据水印方法，基于人工智能分析用户的历史添加数据，以实现智能的水印选择。以实现智能的水印选择。以实现智能的水印选择。

【技术实现步骤摘要】
一种基于人工智能的大数据水印方法


[0001]本专利技术涉及水印
，特别涉及一种基于人工智能的大数据水印方法。

技术介绍

[0002]目前，数字水印(Digital Watermarking)是进行数据资产保护的重要方法，通常是在数字产品中嵌入数字信号，可以是图像，文字，符号，数字等一切可以作为标识和标记的信息，其目的是进行版权保护、所有权证明、指纹和完整性保护等。
[0003]在用户添加水印时往往需要用户手动设置，当设置后，用户不更改设置，添加的水印不会发生变化。

技术实现思路

[0004]本专利技术目的之一在于提供了一种基于人工智能的大数据水印方法，基于人工智能分析用户的历史添加数据，以实现智能的水印选择。
[0005]本专利技术实施例提供的一种基于人工智能的大数据水印方法，包括：
[0006]当接收到用户的添加水印的请求时，获取对应请求的第一目标文件数据和第一环境数据；
[0007]对第一目标文件数据和第一环境数据进行特征提取，获得多个特征值；
[0008]将特征值输入事先训练的神经网络模型，获取水印的参数；
[0009]基于参数，对目标文件进行水印添加。
[0010]优选的，神经网络模型通过如下步骤训练生成：
[0011]基于用户参数从大数据平台上获取用户的历史水印添加数据；
[0012]对历史水印添加数据进行预处理，获取历史数据集；
[0013]基于预设规则将历史数据集分为训练集和测试集；
[0014]基于训练集和测试集对初始的第二神经网络模型进行训练，待初始的第二神经网络模型收敛后作为神经网络模型；
[0015]其中，对历史水印添加数据进行预处理，获取历史数据集，包括：
[0016]解析历史水印添加数据，获取历史水印添加数据中的第二目标文件数据和第二环境数据和添加的水印的参数数据；
[0017]分别计算各个历史水印添加数据中的第二目标文件数据的第一相似度、第二环节数据的第二相似度和参数数据的第三相似度；
[0018]基于第一相似度、第二相似度和第三相似度对历史水印添加数据进行归纳分组；
[0019]确定每个分组中历史水印添加数据的数量，当数量小于预设的数量阈值时，将分组删除；
[0020]预设规则包括：按照预设的比例将历史数据集均分为训练集和测试集。
[0021]优选的，基于人工智能的大数据水印方法，还包括：
[0022]当接收到用户的添加水印的请求时，对请求对应的第一目标文件进行检测；
[0023]确定是否已包含水印；当存在水印时，返回第一提示信息；当不存在水印时，获取对应请求的第一目标文件数据和第一环境数据；
[0024]其中，对请求对应的第一目标文件进行检测；包括：
[0025]对第一目标文件的数据进行关键数据提取，当提取到对应已添加水印的关键数据时，确定第一目标文件中存在水印；
[0026]和/或，
[0027]将第一目标文件发送至与大数据平台连接的多个检测端；
[0028]基于检测端反馈的数据，确定第一目标文件是否存在水印。
[0029]优选的，基于检测端反馈的数据，确定第一目标文件是否存在水印，包括：
[0030]基于预设的解析模板，解析检测端反馈的数据，对数据对应的结果进行赋值，获得结果值；
[0031]获取检测端的信用系数；
[0032]基于信用系数和结果值，确定反馈值，反馈值的计算公式为：
[0033][0034]其中，F为反馈值；为第i个检测端的信用系数；A
i
为第i个检测端的结果值；n为反馈的检测端的数目；
[0035]当反馈值大于预设的阈值时，确定第一目标文件存在水印，否则，为不存在。
[0036]优选的，当检测端的反馈与第一目标文件的判断结果为正向时，获取检测端的前N次历史反馈；
[0037]判断前N次历史反馈是否都为正向，当都为正向时，对检测端的信用系数进行上调；上调后的信用系数计算公式如下：
[0038][0039]其中，H为上调后的信用系数，h为上调前的信用系数，γ为预设的上调幅度值，W为此次反馈的所有的检测端的信用系数和值；
[0040]当检测端的反馈与第一目标文件的判断结果为反向时，获取检测端的前N次历史反馈；
[0041]基于前N次历史反馈构建下调函数确定的第一向量；
[0042]获取下调幅值确定库，下调幅值确定库中第二向量与下调幅值一一对应；
[0043]基于第一向量查询下调幅值确定库，确定下调幅值；
[0044]基于下调幅值，对检测端的信用系数进行下调；下调后的信用系数计算公式如下：
[0045][0046]其中，Q为下调后的信用系数，q为下调前的信用系数，δ为下调幅值，W为此次反馈的所有的检测端的信用系数和值。
[0047]优选的，基于第一向量查询下调幅值确定库，确定下调幅值；包括：
[0048]计算第一向量与每个第二向量之间的匹配度，计算公式如下：
[0049][0050]其中，P为第一向量与第二向量的匹配度；x
k
为第一向量的第k维的数据值；y
k
为第二向量的第k维的数据值；M为数据维度总数；c为预设常数；
[0051]获取匹配度最大的第二向量所对应的下调幅值。
[0052]优选的，基于人工智能的大数据水印方法，还包括：
[0053]当接收到用户的添加水印的请求时，获取用户注册时填写的水印喜好问卷的问卷答案；
[0054]获取预设的水印库，
[0055]解析问卷答案，获取用户的偏好；
[0056]基于偏好从水印库中调取水印的参数。
[0057]优选的，参数包括：水印的文字、字体颜色、字体大小、字体的角度、字体的清晰度其中一种或多种结合。
[0058]优选的，第一环境数据包括：账号ID、设备ID、登录位置、软件运行环境其中一种或多种结合。
[0059]优选的，基于人工智能的大数据水印方法，还包括：
[0060]当接收到用户的添加水印的请求时，从大数据平台上筛选出与用户喜好相关的第一数据；
[0061]获取预设的水印库，
[0062]解析第一数据，获取用户的偏好；
[0063]基于偏好从水印库中调取水印的参数。
[0064]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0065]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0066]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的大数据水印方法，其特征在于，包括：当接收到用户的添加水印的请求时，获取对应所述请求的第一目标文件数据和第一环境数据；对所述第一目标文件数据和所述第一环境数据进行特征提取，获得多个特征值；将所述特征值输入事先训练的神经网络模型，获取水印的参数；基于所述参数，对目标文件进行水印添加。2.如权利要求1所述的基于人工智能的大数据水印方法，其特征在于，所述神经网络模型通过如下步骤训练生成：基于用户参数从大数据平台上获取所述用户的历史水印添加数据；对所述历史水印添加数据进行预处理，获取历史数据集；基于预设规则将所述历史数据集分为训练集和测试集；基于所述训练集和所述测试集对初始的第二神经网络模型进行训练，待所述初始的第二神经网络模型收敛后作为所述神经网络模型；其中，所述对所述历史水印添加数据进行预处理，获取历史数据集，包括：解析所述历史水印添加数据，获取所述历史水印添加数据中的第二目标文件数据和第二环境数据和添加的水印的参数数据；分别计算各个所述历史水印添加数据中的第二目标文件数据的第一相似度、第二环节数据的第二相似度和所述参数数据的第三相似度；基于所述第一相似度、所述第二相似度和所述第三相似度对所述历史水印添加数据进行归纳分组；确定每个分组中所述历史水印添加数据的数量，当所述数量小于预设的数量阈值时，将所述分组删除；所述预设规则包括：按照预设的比例将所述历史数据集均分为所述训练集和所述测试集。3.如权利要求1所述的基于人工智能的大数据水印方法，其特征在于，还包括：当接收到用户的添加水印的请求时，对所述请求对应的所述第一目标文件进行检测；确定是否已包含水印；当存在水印时，返回第一提示信息；当不存在水印时，获取对应所述请求的所述第一目标文件数据和所述第一环境数据；其中，对所述请求对应的所述第一目标文件进行检测；包括：对所述第一目标文件的数据进行关键数据提取，当提取到对应已添加水印的关键数据时，确定所述第一目标文件中存在水印；和/或，将所述第一目标文件发送至与大数据平台连接的多个检测端；基于所述检测端反馈的数据，确定所述第一目标文件是否存在水印。4.如权利要求3所述的基于人工智能的大数据水印方法，其特征在于，所述基于所述检测端反馈的数据，确定所述第一目标文件是否存在水印，包括：基于预设的解析模板，解析所述检测端反馈的数据，对所述数据对应的结果进行赋值，获得结果值；获取所述检测端的信用系数；
基于所述信用系数和所述结果值，确定反馈值，所述反馈值的计算公式为：其中，F为所述反馈值；为第i个所述检测端的所述信用系数；A
i
为第i个所述检测端的...

【专利技术属性】
技术研发人员：张春林，李利军，李春青，刘志杰，
申请(专利权)人：北京东方通科技股份有限公司，
类型：发明
国别省市：