[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118569866B - 基于格基加密算法的etc多渠道支付信息处理方法 - Google Patents

基于格基加密算法的etc多渠道支付信息处理方法 Download PDF

Info

Publication number
CN118569866B
CN118569866B CN202411049735.3A CN202411049735A CN118569866B CN 118569866 B CN118569866 B CN 118569866B CN 202411049735 A CN202411049735 A CN 202411049735A CN 118569866 B CN118569866 B CN 118569866B
Authority
CN
China
Prior art keywords
payment
feature
payment information
channel
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202411049735.3A
Other languages
English (en)
Other versions
CN118569866A (zh
Inventor
陶甄
曹峥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jieyou Digital Technology Nanjing Co ltd
Original Assignee
Jieyou Digital Technology Nanjing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jieyou Digital Technology Nanjing Co ltd filed Critical Jieyou Digital Technology Nanjing Co ltd
Priority to CN202411049735.3A priority Critical patent/CN118569866B/zh
Publication of CN118569866A publication Critical patent/CN118569866A/zh
Application granted granted Critical
Publication of CN118569866B publication Critical patent/CN118569866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G06Q20/3829—Payment protocols; Details thereof insuring higher security of transaction involving key management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本发明涉及ETC支付信息安全技术领域，公开了一种基于格基加密算法的ETC多渠道支付信息处理方法，包括：在多渠道支付绑定阶段，利用格基加密算法对不同渠道的支付信息进行加密处理，生成唯一的加密特征向量；对于每一个支付渠道，提取3240维的特征向量作为初始特征，并利用特征向量构建初始特征矩阵；将其输入SVM分类器中进行迁移学习，得到分类模型；将分类模型部署在门架信号识别系统中，当车辆通过ETC门架时，实时获取车辆的支付信息，并生成对应的特征向量；分类模型对特征向量进行分类，识别其绑定的支付渠道，并根据分类结果进行支付处理。本发明提高了支付信息的安全性和处理效率，提高了ETC系统的可靠性和用户体验。

Description

基于格基加密算法的ETC多渠道支付信息处理方法
技术领域
本发明涉及的ETC支付信息安全技术领域，尤其涉及一种基于格基加密算法的ETC多渠道支付信息处理方法。
背景技术
电子收费系统（ETC）作为一种便捷、高效的收费方式，近年来得到了广泛应用和快速发展，ETC系统主要通过车辆识别技术和无线通信技术，实现车辆通过收费站时的自动扣费。
传统的ETC系统主要依赖于单一的支付渠道，这种模式尽管在一定程度上简化了支付流程，但也存在着灵活性和扩展性不足的问题，随着移动支付技术的发展，越来越多的支付渠道和支付方式被引入到ETC系统中，包括但不限于银行支付、移动支付平台等多种渠道，这些新的支付方式的引入，虽然在一定程度上提高了用户的支付便捷性，但也增加了系统的复杂性和安全风险。
在多渠道支付环境中，不同支付渠道的支付信息格式和处理方式可能存在显著差异，这给ETC系统的支付信息处理带来了新的挑战，现有技术通常通过对各支付渠道的信息进行独立处理来应对这一挑战，这种方法虽然能够实现多渠道支付，但存在以下不足之处：
多渠道信息独立处理增加了系统的复杂性，降低了系统的运行效率；
独立处理各支付渠道的信息容易导致信息安全漏洞的产生，难以保障支付信息的安全性和隐私性。
现有的一些加密算法在面对复杂的多渠道支付环境时，难以同时满足高效性和安全性的要求。
基于上述不足，亟需一种新的技术方案来有效解决多渠道支付环境中的信息处理问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例，在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的ETC多渠道支付技术在处理复杂多变的支付环境时，存在信息处理复杂度高、运行效率低、安全性和隐私性难以保障的问题。
为解决上述技术问题，本发明提供如下技术方案：在多渠道支付绑定阶段，利用格基加密算法对不同渠道的支付信息进行加密处理，生成唯一的加密特征向量；
对于每一个支付渠道，提取3240维的特征向量作为初始特征，并利用所述特征向量构建初始特征矩阵；
将所述初始特征矩阵输入SVM分类器中进行迁移学习，得到分类模型；
将训练好的所述分类模型部署在门架信号识别系统中，当车辆通过ETC门架时，实时获取所述车辆的支付信息，并生成对应的特征向量；
所述分类模型对所述特征向量进行分类，识别其绑定的支付渠道，并根据分类结果进行支付处理。
作为本发明所述的基于格基加密算法的ETC多渠道支付信息处理方法的一种优选方案，利用格基加密算法对不同渠道的支付信息进行加密处理，生成唯一的加密特征向量，包括：
选择一个基础格基向量；
从所述格基向量中选择一个私钥向量，所述私钥向量用于解密；
利用所述私钥向量和所述格基向量生成公钥矩阵，所述公钥矩阵用于加密过程；
使用所述公钥矩阵对特征向量进行线性变换，生成加密特征向量；
加密公式为E=P*X+r；
其中，E是加密特征向量，P为公钥矩阵，X为特征向量，r是一个随机向量，用于增加加密特征的随机性和安全性。
作为本发明所述的基于格基加密算法的ETC多渠道支付信息处理方法的一种优选方案，在进行所述加密处理之前，需对支付信息进行预处理和特征提取，其中：
通过对所述支付信息进行数据清洗和标准化处理，将其转换为统一的数值型数据，所述支付信息包括但不限于支付渠道信息、交易信息、用户信息、设备信息和网络信息；
再利用特征提取技术从预处理后的所述支付信息中提取出关键特征向量，所述关键特征向量包括但不限于交易频率特征、交易金额特征、设备特征、地理位置特征、时间特征。
作为本发明所述的基于格基加密算法的ETC多渠道支付信息处理方法的一种优选方案，提取3240维的特征向量作为初始特征，其数学表达公式如下：
利用所述特征向量构建初始特征矩阵，其数学表达公式如下：
其中，Xi为第i个支付渠道的特征向量，n为支付渠道的数量。
作为本发明所述的基于格基加密算法的ETC多渠道支付信息处理方法的一种优选方案，提取所述初始特征，包括：
从所述支付渠道中选择关键特征，包括但不限于交易频率特征、交易金额特征、设备特征、地理位置特征、时间特征；
对选择的所述关键特征进行编码处理；
将编码处理后的所述关键特征拼接成一个完整的特征向量，即得到所述初始特征。
作为本发明所述的基于格基加密算法的ETC多渠道支付信息处理方法的一种优选方案，将所述初始特征矩阵输入SVM分类器中进行迁移学习，所述迁移学习通过预训练和参数调优，得到分类模型，所述分类模型的训练过程可通过下式进行表示：
其中，w为SVM分类器的权重向量，b为SVM分类器的偏置项，C为正则化参数，为第i个样本的标签。
作为本发明所述的基于格基加密算法的ETC多渠道支付信息处理方法的一种优选方案，训练完成后的所述分类模型的数学表达公式如下：
其中，M为最终的分类结果，yi为第i个样本的标签，Xi为第i个支付渠道的特征向量，n为支付渠道的数量，加密特征的调节参数，xj为第j个特征分量，为第j个特征分量的均值，为第j个特征分量的标准差。
作为本发明所述的基于格基加密算法的ETC多渠道支付信息处理方法的一种优选方案，所述分类模型对所述特征向量进行分类，识别其绑定的支付渠道，包括：
利用训练好的权重向量和偏置项来计算每个输入特征向量的预测标签，其数学表达公式如下：
其中，sign（）是符号函数，用于将计算结果映射到分类标签中；
当预测标签取值为1时，表示第i个特征向量被分类为正类，绑定支付渠道为电子支付渠道，即银行卡支付；
当预测标签取值为-1时，表示第i个特征向量被分类为负类，绑定支付渠道为第三方平台支付渠道，即支付宝支付、微信支付。
作为本发明所述的基于格基加密算法的ETC多渠道支付信息处理方法的一种优选方案，进行所述支付处理，包括：
对支付信息的特征向量进行加密矩阵计算，得到加密后的支付信息；
通过安全传输协议将所述加密后的支付信息传输至后台系统；
所述后台系统接收所述加密后的支付信息后，利用加密矩阵的逆矩阵和随机向量进行解密处理，恢复原始支付信息；
根据解密后的支付信息进行实时支付处理结算。
本发明的有益效果：
1、利用格基加密算法，提高了支付信息的安全性和处理效率；
2、通过迁移学习，提升了分类模型对新环境的适应能力，增强了系统的稳定性；
3、采用实时支付信息处理机制，解决了收费软件升级兼容性问题和重复收费问题，显著提高了ETC系统的可靠性和用户体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明所示的基于格基加密算法的ETC多渠道支付信息处理方法的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。
基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
根据本发明的实施例，结合图1所示的流程图，一种基于格基加密算法的ETC多渠道支付信息处理方法，具体包括以下步骤：
S1、在多渠道支付绑定阶段，利用格基加密算法对不同渠道的支付信息进行加密处理，生成唯一的加密特征向量。其中，本步骤需要说明的是，在进行加密处理之前，需对支付信息进行预处理和特征提取，其中：
通过对支付信息进行数据清洗和标准化处理，将其转换为统一的数值型数据，支付信息包括但不限于支付渠道信息、交易信息、用户信息、设备信息和网络信息；
再利用特征提取技术从预处理后的支付信息中提取出关键特征向量，关键特征向量包括但不限于交易频率特征、交易金额特征、设备特征、地理位置特征、时间特征。
作为示例，支付渠道信息包括支付渠道的名称、支付方式、支付账号基本信息。
作为示例，交易信息包括交易金额、交易时间、交易地点交易相关数据。
作为示例，用户信息包括用户的基本信息（如姓名、联系方式）以及支付偏好个性化数据。
作为示例，设备信息包括用于支付的设备ID、设备类型设备相关信息。
作为示例，网络信息包括网络接入点信息、IP地址、MAC地址网络环境信息。
进一步的，加密处理，包括：
选择一个基础格基向量；
从格基向量中选择一个私钥向量，私钥向量用于解密；
利用私钥向量和格基向量生成公钥矩阵，公钥矩阵用于加密过程；
使用公钥矩阵对特征向量进行线性变换，生成加密特征向量；
加密公式为E=P*X+r；
其中，E是加密特征向量，P为公钥矩阵，X为特征向量，r是一个随机向量，用于增加加密特征的随机性和安全性。
作为示例，定义某个支付渠道提取的特征向量X为：
通过格基加密算法处理后，生成的加密特征向量E为：
加密特征向量E的具体形式如下：
其中，pij是公钥矩阵P中的元素，ri是随机向量的分量。
需要说明的是，生成的加密特征向量E是一个高维向量，具有唯一性和不可逆性，以确保支付信息的安全性。
优选的，本步骤实现了对支付信息的有效保护，其通过复杂的加密算法确保每个支付渠道的支付信息都被唯一地标识和加密，从而避免了信息泄露和篡改的风险，达到了提高支付信息安全性和隐私保护的效果。
S2、对于每一个支付渠道，提取3240维的特征向量作为初始特征，并利用特征向量构建初始特征矩阵。其中，本步骤还需要说明的是，提取3240维的特征向量作为初始特征，其数学表达公式如下：
利用特征向量构建初始特征矩阵，其数学表达公式如下：
其中，Xi为第i个支付渠道的特征向量，n为支付渠道的数量。
具体的，提取初始特征，包括：
从支付渠道中选择关键特征，包括但不限于交易频率特征、交易金额特征、设备特征、地理位置特征、时间特征；
对选择的关键特征进行编码处理；
将编码处理后的关键特征拼接成一个完整的特征向量，即得到初始特征。
作为示例，选择的特征维度如下：
交易频率特征：24维；
交易金额特征：4维；
设备特性：设备类型（5种类型，5维）、设备ID（100种设备，100维）；
地理位置特征：地理网格（100个网格，100维）；
时间特征：日期（365天，365维），时间（24小时，24维）；
拼接后的特征向量维度总和应为：24 + 4 + 5 + 100 + 100 + 365 + 24 = 622维；
为了达到3240维，利用PCA对622维的特征向量进行降维处理，保留主要成分，再进行特征扩展至3240维。
作为示例，如有3个支付渠道，经过特征提取与扩展后，得到以下特征向量：
则初始特征矩阵为：
其中，X1为第一个支付渠道，X2为第二个支付渠道，X3为第三个支付渠道。
作为示例，交易频率特征的编码方法为，将每天的交易次数编码为一个特征向量，例如，将一天分为24个小时，每小时的交易次数作为一个特征，共24维。
作为示例，交易金额的编码方法为，将交易金额进行区间划分，例如，0-10元，10-50元，50-100元，100元以上，每个区间的交易次数作为一个特征，共4维。
作为示例，设备特性的编码方法为，设备类型和设备ID可以采用One-Hot编码的方法，将设备类型和设备ID转换为特征向量，例如，设备类型（5种类型，5维）、设备ID（100种设备，100维）。
作为示例，地理位置特征的编码方法为，将交易发生的地理位置进行网格化处理，每个网格对应一个特征，例如，地理网格（100个网格，100维）。
作为示例，时间特征的编码方法为，将时间戳转换为日期和时间特征，例如，将一年中的天数和一天中的时间点作为特征，例如，日期（365天，365维），时间（24小时，24维）。
优选的，本步骤通过高维度的特征向量对支付信息进行多维度的量化和表达，确保了支付信息的准确性和完整性，达到了提高支付信息处理精度和分类准确性的效果。
S3、将初始特征矩阵输入SVM分类器中进行迁移学习，得到分类模型。其中，本步骤还需要说明的是，将初始特征矩阵输入SVM分类器中进行迁移学习，迁移学习通过预训练和参数调优，得到分类模型，分类模型的训练过程可通过下式进行表示：
其中，w为SVM分类器的权重向量，b为SVM分类器的偏置项，C为正则化参数，为第i个样本的标签。
作为示例，训练完成后的分类模型的数学表达公式如下：
其中，M为最终的分类结果，yi为第i个样本的标签，Xi为第i个支付渠道的特征向量，n为支付渠道的数量，为加密特征的调节参数，xj为第j个特征分量，为第j个特征分量的均值，为第j个特征分量的标准差。
需要说明的是，本步骤通过迁移学习的方法，利用已有的模型和数据对新数据进行训练和优化，提高了分类模型的泛化能力和准确性，达到了高效识别和分类多渠道支付信息的效果。
S4、将训练好的分类模型部署在门架信号识别系统中，当车辆通过ETC门架时，实时获取车辆的支付信息，并生成对应的特征向量。其中，本步骤需要详细说明的是，分类模型对特征向量进行分类，识别其绑定的支付渠道，包括：
利用训练好的权重向量和偏置项来计算每个输入特征向量的预测标签，其数学表达公式如下：
其中，sign（）是符号函数，用于将计算结果映射到分类标签中。
作为示例，当预测标签取值为1时，表示第i个特征向量被分类为正类，绑定支付渠道为电子支付渠道，即银行卡支付。
作为示例，当预测标签取值为-1时，表示第i个特征向量被分类为负类，绑定支付渠道为第三方平台支付渠道，即支付宝支付、微信支付。
本步骤通过实时的信号识别和特征向量生成，确保了支付信息的及时性和准确性，达到了快速响应和处理ETC支付请求的效果。
S5、分类模型对特征向量进行分类，识别其绑定的支付渠道，并根据分类结果进行支付处理。其中，本步骤还需要说明的是，进行支付处理，包括：
对支付信息的特征向量进行加密矩阵计算，得到加密后的支付信息；
通过安全传输协议将加密后的支付信息传输至后台系统；
后台系统接收加密后的支付信息后，利用加密矩阵的逆矩阵和随机向量进行解密处理，恢复原始支付信息；
根据解密后的支付信息进行实时支付处理结算。
作为示例，解密过程可通过下式数学表达公式进行表示：
其中，P-1为加密矩阵的逆矩阵。
优选的，本步骤通过加密、解密过程，确保支付信息的安全性和完整性，通过实时支付处理结算，确保支付的准确性和及时性，达到了提高支付系统安全性和可靠性的效果。
本实施例还需要再次说明的是，格基加密算法的公钥和私钥尺寸相对较小，‌这意味着在通信过程中，‌传输这些密钥所需的带宽和存储空间都会减少，‌这对于资源受限的通信系统尤为重要；同时，本实施例中格基加密算法的计算速度较快，‌在资源受限的环境中（如偏远地区ETC系统门架信号易缺失），‌这一点尤为重要，‌因为它可以减少处理时间，‌提高通信效率。
再进一步的，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择传统的单一加密算法和采用本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
传统的技术方案：传统ETC多渠道支付处理方法在精度、安全性和处理速度上存在缺陷，例如，传统方法通常依赖于单一加密算法，容易受到信息泄露和篡改的风险，同时在处理多渠道支付信息时，效率较低，分类精度也不高。
为验证本发明方法相对传统方法具有较高的安全性、处理效率和分类精度，本实施例中将采用传统的单一加密算法与本发明实施例提供的基于格基加密算法的ETC多渠道支付信息处理方法分别对仿真车辆的支付信息处理进行实时测量对比。
测试环境：将车辆运行在仿真平台模拟行驶，并模拟不同支付渠道的支付场景。具体实验环境及设备描述如下：
仿真平台：使用高性能计算平台模拟车辆的运行环境，包括支付场景的动态变化；
仿真平台配置：Intel Xeon E5-2690 v4处理器，128GB RAM，NVIDIA Tesla K80GPU；
数据采集设备：使用车辆行驶记录仪和支付信息采集器（如OBD-II设备），实时采集车辆的运行数据和支付信息；
记录仪型号：Bosch CDR 900，支付信息采集器型号：ThinkRace TRM-005；
加密和分类设备：使用具备高性能计算能力的服务器进行数据处理和加密操作；
服务器配置：Intel Xeon Gold 6138处理器，256GB RAM，NVIDIA Tesla V100GPU；
测试软件：使用MATLAB R2021a进行仿真数据处理和分类模型训练，包括数据预处理、特征提取、迁移学习和分类模型部署；
安全传输协议：采用TLS 1.3协议确保数据在传输过程中的安全性。
采用六组不同的支付渠道和支付信息作为测试样本，分别利用传统方法和本方法对支付信息进行处理。
传统方法采用单一加密算法进行支付信息处理，并手动分类支付渠道；本发明方法则开启自动化测试设备，并运用MATLAB软件编程实现本发明的仿真测试，根据实验结果得到仿真数据；每种方法各测试六组数据，计算获得每组数据的分类准确率、处理时间和信息安全性，并与仿真模拟输入的实际支付信息进行对比计算误差。
表1、传统方法测试数据统计表
表2、本发明方法测试数据统计表
通过上述表格数据的对比分析，可以清晰地看出传统方法的分类准确率较低，主要由于其依赖于单一的加密算法和手动分类，容易产生误分类的情况，在六组测试数据中，传统方法的平均分类准确率为74.2%；本发明方法通过提取3240维特征向量并构建初始特征矩阵，利用SVM分类器进行迁移学习，分类准确率显著提高，在六组测试数据中，本方法的平均分类准确率为95.8%。这表明本发明在分类支付渠道方面具有显著的优势。
传统方法的处理时间较长，主要由于手动分类和单一加密算法的计算效率较低，在六组测试数据中，传统方法的平均处理时间为4.92秒；本方法通过自动化测试设备和高效的格基加密算法，处理时间大大缩短，在六组测试数据中，本方法的平均处理时间为2.12秒。
优选的，本发明方法在分类准确率、处理时间和信息安全性三个方面，相较于传统方法具有显著优势，其中，通过格基加密算法的应用，有效提高了支付信息的安全性；通过提取高维特征向量和迁移学习，显著提升了分类准确率；通过自动化处理设备和高效算法的结合，大大缩短了处理时间。
前述支付信息的数据预处理、特征提取、编码处理方法以及模型的迁移学习方法，可利用现有技术中的方式和手段进行，在本例中不再赘述。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于格基加密算法的ETC多渠道支付信息处理方法，其特征在于，包括：
在多渠道支付绑定阶段，利用格基加密算法对不同渠道的支付信息进行加密处理，生成唯一的加密特征向量；包括：
选择一个基础格基向量；
从所述格基向量中选择一个私钥向量，所述私钥向量用于解密；
利用所述私钥向量和所述格基向量生成公钥矩阵，所述公钥矩阵用于加密过程；
使用所述公钥矩阵对特征向量进行线性变换，生成加密特征向量；
加密公式为E=P*X+r；
其中，E是加密特征向量，P为公钥矩阵，X为特征向量，r是一个随机向量，用于增加加密特征的随机性和安全性；
对于每一个支付渠道，提取3240维的特征向量作为初始特征，并利用所述特征向量构建初始特征矩阵；其数学表达公式如下：
利用所述特征向量构建初始特征矩阵，其数学表达公式如下：
其中，Xi为第i个支付渠道的特征向量，n为支付渠道的数量；
将所述初始特征矩阵输入SVM分类器中进行迁移学习，所述迁移学习通过预训练和参数调优，得到分类模型；所述分类模型的训练过程通过下式进行表示：
其中，w为SVM分类器的权重向量，b为SVM分类器的偏置项，C为正则化参数，为第i个样本的标签；
训练完成后的所述分类模型的数学表达公式如下：
其中，M为最终的分类结果，yi为第i个样本的标签，Xi为第i个支付渠道的特征向量，n为支付渠道的数量，为加密特征的调节参数，xj为第j个特征分量，为第j个特征分量的均值，为第j个特征分量的标准差；
将训练好的所述分类模型部署在门架信号识别系统中，当车辆通过ETC门架时，实时获取所述车辆的支付信息，并生成对应的特征向量；
所述分类模型对所述特征向量进行分类，识别其绑定的支付渠道，并根据分类结果进行支付处理。
2.根据权利要求1所述的基于格基加密算法的ETC多渠道支付信息处理方法，其特征在于，在进行所述加密处理之前，需对支付信息进行预处理和特征提取，其中：
通过对所述支付信息进行数据清洗和标准化处理，将其转换为统一的数值型数据，所述支付信息包括支付渠道信息、交易信息、用户信息、设备信息和网络信息；
再利用特征提取技术从预处理后的所述支付信息中提取出关键特征向量，所述关键特征向量包括交易频率特征、交易金额特征、设备特征、地理位置特征、时间特征。
3.根据权利要求1所述的基于格基加密算法的ETC多渠道支付信息处理方法，其特征在于，提取所述初始特征，包括：
从所述支付渠道中选择关键特征，包括交易频率特征、交易金额特征、设备特征、地理位置特征、时间特征；
对选择的所述关键特征进行编码处理；
将编码处理后的所述关键特征拼接成一个完整的特征向量，即得到所述初始特征。
4.根据权利要求1所述的基于格基加密算法的ETC多渠道支付信息处理方法，其特征在于，所述分类模型对所述特征向量进行分类，识别其绑定的支付渠道，包括：
利用训练好的权重向量和偏置项来计算每个输入特征向量的预测标签，其数学表达公式如下：
其中，sign（）是符号函数，用于将计算结果映射到分类标签中；
当预测标签取值为1时，表示第i个特征向量被分类为正类，绑定支付渠道为电子支付渠道，即银行卡支付；
当预测标签取值为-1时，表示第i个特征向量被分类为负类，绑定支付渠道为第三方平台支付渠道，即支付宝支付、微信支付。
5.根据权利要求1所述的基于格基加密算法的ETC多渠道支付信息处理方法，其特征在于，进行所述支付处理，包括：
对支付信息的特征向量进行加密矩阵计算，得到加密后的支付信息；
通过安全传输协议将所述加密后的支付信息传输至后台系统；
所述后台系统接收所述加密后的支付信息后，利用加密矩阵的逆矩阵和随机向量进行解密处理，恢复原始支付信息；
根据解密后的支付信息进行实时支付处理结算。
CN202411049735.3A 2024-08-01 2024-08-01 基于格基加密算法的etc多渠道支付信息处理方法 Active CN118569866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411049735.3A CN118569866B (zh) 2024-08-01 2024-08-01 基于格基加密算法的etc多渠道支付信息处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411049735.3A CN118569866B (zh) 2024-08-01 2024-08-01 基于格基加密算法的etc多渠道支付信息处理方法

Publications (2)

Publication Number Publication Date
CN118569866A CN118569866A (zh) 2024-08-30
CN118569866B true CN118569866B (zh) 2024-09-27

Family

ID=92466078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411049735.3A Active CN118569866B (zh) 2024-08-01 2024-08-01 基于格基加密算法的etc多渠道支付信息处理方法

Country Status (1)

Country Link
CN (1) CN118569866B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751469A (zh) * 2019-10-25 2020-02-04 浙江工商大学 一种基于智能合约的加密货币多通道支付方法
CN113656828A (zh) * 2021-07-20 2021-11-16 北京理工大学 面向金融系统交易的基于格密码的区块链隐私保护方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001043026A1 (en) * 1999-12-07 2001-06-14 Blue Spike, Inc. Systems, methods and devices for trusted transactions
US10096013B2 (en) * 2013-05-30 2018-10-09 Walmart Apollo, Llc Systems and methods for clustering of customers using transaction patterns
JP6277734B2 (ja) * 2014-01-20 2018-02-14 富士通株式会社 情報処理プログラム、情報処理装置および情報処理方法
US11176531B1 (en) * 2021-03-31 2021-11-16 Square, Inc. Integration of payment processing platform with payment making platform for differentiated payment allocations using cryptocurrency
KR102374068B1 (ko) * 2021-06-14 2022-03-17 주식회사 큐알씨뱅크 블록체인 기반 얼굴인식 결제 서비스 제공 시스템
US20230088840A1 (en) * 2021-09-23 2023-03-23 Bank Of America Corporation Dynamic assessment of cryptocurrency transactions and technology adaptation metrics
US11797999B1 (en) * 2022-11-28 2023-10-24 Intuit, Inc. Detecting fraudulent transactions
CN116132046A (zh) * 2022-12-07 2023-05-16 中国电子科技集团公司第三十研究所 格基加密算法解密错误率的估算方法、介质、设备及系统
CN115880036B (zh) * 2023-02-23 2023-06-06 山东金潮交通设施有限公司 一种车位级动态共享智能管控交易平台
CN117235811A (zh) * 2023-10-08 2023-12-15 上海墅字科技有限公司 基于互联网金融的支付大数据分析方法及大数据分析系统
CN117557270B (zh) * 2024-01-08 2024-05-07 深圳合纵富科技有限公司 移动终端安全支付管理方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751469A (zh) * 2019-10-25 2020-02-04 浙江工商大学 一种基于智能合约的加密货币多通道支付方法
CN113656828A (zh) * 2021-07-20 2021-11-16 北京理工大学 面向金融系统交易的基于格密码的区块链隐私保护方法

Also Published As

Publication number Publication date
CN118569866A (zh) 2024-08-30

Similar Documents

Publication Publication Date Title
CN110581898B (zh) 基于5g和边缘计算的物联网数据终端系统
CN109688160B (zh) 数据加密传输控制方法、装置、计算机设备及存储介质
EP3965023A1 (en) Method and device for constructing decision trees
CN112307472B (zh) 基于智能决策的异常用户识别方法、装置及计算机设备
CN112508075B (zh) 基于横向联邦的dbscan聚类方法、及其相关设备
CN109086669A (zh) 人脸识别身份验证方法、装置、电子设备
CN112651342B (zh) 人脸识别方法、装置、电子设备及存储介质
CN113449048B (zh) 数据标签分布确定方法、装置、计算机设备和存储介质
CN111933154B (zh) 一种伪冒语音的识别方法、设备及计算机可读存储介质
CN112650875A (zh) 房产图片验证方法、装置、计算机设备及存储介质
CN114024744B (zh) 基于云计算和区块链服务的信息防护方法及人工智能平台
CN116032464A (zh) 一种基于量子通信的物业数据加密系统
CN116383793B (zh) 人脸数据处理方法、装置、电子设备和计算机可读介质
CN112507855A (zh) 一种基于瞬时包络等势星球图的通信辐射源个体识别方法
CN118569866B (zh) 基于格基加密算法的etc多渠道支付信息处理方法
CN114301850B (zh) 一种基于生成对抗网络与模型压缩的军用通信加密流量识别方法
CN114363071A (zh) 一种基于场景分析的敏感数据脱敏和识别的方法
CN113988223A (zh) 证件图像识别方法、装置、计算机设备及存储介质
CN111353926B (zh) 警务情报云平台
CN113158771A (zh) 一种社区人员信息采集方法及系统和应用
CN112667888A (zh) 一种基于区块链的大数据处理系统
CN116070248B (zh) 一种用于保证电力数据安全的数据处理系统及方法
CN115622810B (zh) 一种基于机器学习算法的业务应用识别系统及方法
CN115689565A (zh) 一种基于数据管道的银联支付数据的安全监控方法及系统
CN116824676A (zh) 数字身份信息的生成方法、应用方法、装置、系统及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant