用于计算机网络信息的数据加密方法及系统

技术领域

本申请涉及数据加密技术领域，且更为具体地，涉及一种用于计算机网络信息的数据加密方法及系统。

背景技术

在计算机网络数据的应用中，数据安全是一种重要的保障。其中，在保障数据安全的过程中，对数据进行加密处理是一种重要的手段或途径。但是，在现有技术中，对于并发的数据加密，在数据加密资源冲突的情况下，一般是基于随机的顺序，分别进行数据加密处理，如此，对于数据加密的管控，存在效果不佳的问题。

因此，期待一种优化的用于计算机网络信息的数据加密方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于计算机网络信息的数据加密方法及系统。其先将获取的各条待加密的信息通过上下文编码器以得到多条待加密语义特征向量，接着，将所述多条待加密语义特征向量进行二维矩阵化后通过卷积神经网络模型以得到全局待加密语义特征矩阵，然后，以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量，接着，分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正后通过分类器以得到多个概率值，最后，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。通过这样的方式，可以提高加密管控效果。

根据本申请的一个方面，提供了一种用于计算机网络信息的数据加密方法，其包括：

获取多条待加密的信息；

将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量；

将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵；

将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵；

以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量；

分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量；

将所述多个校正后分类特征向量通过分类器以得到多个概率值；以及

基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

在上述的用于计算机网络信息的数据加密方法中，所述分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量，包括：

以如下公式对所述多个分类特征向量中各个分类特征向量进行特征分布的结构模糊校正以得到所述多个校正后分类特征向量；

其中，所述公式为：

其中，

在上述的用于计算机网络信息的数据加密方法中，所述将所述多个校正后分类特征向量通过分类器以得到多个概率值，包括：

使用所述分类器以如下公式对所述多个校正后分类特征向量进行处理以得到多个概率值；

其中，所述公式为：

根据本申请的另一方面，提供了一种用于计算机网络信息的数据加密系统，其特征在于，包括：

待加密信息获取模块，用于获取多条待加密的信息；

上下文编码模块，用于将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量；

二维矩阵化模块，用于将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵；

卷积编码模块，用于将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵；

分类特征向量计算模块，用于以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量；

结构模糊校正模块，用于分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量；

概率值生成模块，用于将所述多个校正后分类特征向量通过分类器以得到多个概率值；以及

加密优先级确定模块，用于基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

在上述的用于计算机网络信息的数据加密系统中，所述上下文编码模块，进一步用于：

对所述各条待加密的信息进行分词处理以将所述各条待加密的信息转化为由多个词组成的词序列；

使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射为词嵌入向量以获得词嵌入向量的序列；

使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量；以及

将所述多个上下文词特征向量进行级联以得到所述多条待加密语义特征向量。

在上述的用于计算机网络信息的数据加密系统中，所述使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量，包括：

将所述词嵌入向量的序列进行一维排列以得到全局展开特征向量；

计算所述全局展开特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；

分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；

将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；

分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文词特征向量。

在上述的用于计算机网络信息的数据加密系统中，所述卷积编码模块，进一步用于：

使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全局待加密语义特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述全局待加密语义矩阵。

与现有技术相比，本申请提供的用于计算机网络信息的数据加密方法及系统，其先将获取的各条待加密的信息通过上下文编码器以得到多条待加密语义特征向量，接着，将所述多条待加密语义特征向量进行二维矩阵化后通过卷积神经网络模型以得到全局待加密语义特征矩阵，然后，以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量，接着，分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正后通过分类器以得到多个概率值，最后，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。通过这样的方式，可以提高加密管控效果。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的用于计算机网络信息的数据加密方法的场景示意图。

图2为根据本申请实施例的用于计算机网络信息的数据加密方法的流程图。

图3为根据本申请实施例的用于计算机网络信息的数据加密方法的架构示意图。

图4为根据本申请实施例的用于计算机网络信息的数据加密方法中步骤S120的子步骤流程图。

图5为根据本申请实施例的用于计算机网络信息的数据加密方法中步骤S123的子步骤流程图。

图6为根据本申请实施例的用于计算机网络信息的数据加密系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述对于并发的数据加密，在数据加密资源冲突的情况下，一般是基于随机的顺序，分别进行数据加密处理，如此，对于数据加密的管控，存在效果不佳的问题。因此，期待一种优化的用于计算机网络信息的数据加密方案。

在本申请的技术方案中，利用数据智能方案来基于多条待加密的数据本身的高维隐含关联来确定加密优先级，这样充分利用数据自身的特性来确定适应于数据本身分布的加密优先级，以提高加密管控效果。

具体地，首先获取多条待加密的信息。然后，将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量。也就是，使用所述包含嵌入层的上下文编码器对各条待加密的信息进行基于全局的上下文语义理解以得到多条待加密语义特征向量。具体地，首先对各条待加密的信息进行分词处理以得到词序列；接着，使用嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；进而，使用所述基于转换器的上下文编码器，例如，基于转换器的Bert模型，对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以得到多个上下文词特征向量；最终，将所述多个上下文词特征向量进行级联以得到所述多条待加密语义特征向量。

在得到所述多条待加密语义特征向量，将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵。也就是，在高维特征空间中，将多条待加密的信息的语义特征表示进行结构化整合。进而，将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵。即，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型对所述全局待加密语义矩阵进行基于卷积核的局部特征提取以得到所述全局待加密语义特征矩阵，即，提取各个待加密语义特征向量之间的局部关联语义特征信息。

接着，以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量。应可以理解，所述全局待加密语义特征矩阵用于表示所述多条待加密的信息的全局语义特征表示，而各条待加密语义特征向量为各条待加密的信息的语义特征表示，计算两者之间的乘积可将所述全局待加密语义特征矩阵映射到各条待加密的信息的语义特征空间中以使得所得到的各条分类特征向量能够反映各条待加密的信息相对于所述多条待加密的信息为整体的高维隐含关联模式特征。

继而，将所述分类特征向量通过分类器以得到多个概率值，这里，各个概率值用于表示给予待加密的信息最高优先级的概率。这样，在得到所述多个概率值后，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级，通过这样的方式，利用数据智能方案来基于多条待加密的数据本身的高维隐含关联来确定加密优先级，这样充分利用数据自身的特性来确定适应于数据本身分布的加密优先级，以提高加密管控效果。

特别地，在本申请的技术方案中，通过所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量，可以将所述全局待加密语义特征矩阵表达的待加密信息的上下文语义关联特征的全局样本间-样本内关联表达映射到待加密信息的上下文语义关联特征内。但是，由于所述全局待加密语义特征矩阵本身表达的是各个待加密信息之间的高阶上下文关联，将其映射到所述待加密信息的低阶上下文关联空间后，可能导致所述分类特征向量的特征分布的结构模糊，从而降低所述分类特征向量的表达确定性，影响所述分类特征向量通过分类器得到的分类结果的准确性。

基于此，本申请的申请人对所述分类特征向量进行向量的有序希尔伯特完备化，表示为：

和/>

这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低特征向量的表达确定性，从而增大所述分类特征向量通过分类器得到的分类结果的准确性。也就是，提高确定给予各条待加密的信息最高加密优先级的概率的准确性。

基于此，本申请提供了一种用于计算机网络信息的数据加密方法，其特征在于，包括：获取多条待加密的信息；将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量；将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵；将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵；以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量；分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量；将所述多个校正后分类特征向量通过分类器以得到多个概率值；以及，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

图1为根据本申请实施例的用于计算机网络信息的数据加密方法的应用场景图。如图1所示，在该应用场景中，获取多条待加密的信息（例如，如图1中所示意的D），然后，将所述多条待加密的信息输入至部署有用于计算机网络信息的数据加密算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于所述用于计算机网络信息的数据加密算法生成多个概率值，然后，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2为根据本申请实施例的用于计算机网络信息的数据加密方法的流程图。如图2所示，根据本申请实施例的用于计算机网络信息的数据加密方法，包括步骤：S110，获取多条待加密的信息；S120，将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量；S130，将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵；S140，将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵；S150，以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量；S160，分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量；S170，将所述多个校正后分类特征向量通过分类器以得到多个概率值；以及，S180，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

图3为根据本申请实施例的用于计算机网络信息的数据加密方法的架构示意图。如图3所示，在该网络架构中，首先，获取多条待加密的信息；接着，将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量；然后，将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵；接着，将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵；然后，以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量；接着，分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量；然后，将所述多个校正后分类特征向量通过分类器以得到多个概率值；最后，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

更具体地，在步骤S110中，获取多条待加密的信息。在本申请的技术方案中，利用数据智能方案来基于多条待加密的数据本身的高维隐含关联来确定加密优先级，这样充分利用数据自身的特性来确定适应于数据本身分布的加密优先级，以提高加密管控效果。

更具体地，在步骤S120中，将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量。也就是，使用所述包含嵌入层的上下文编码器对各条待加密的信息进行基于全局的上下文语义理解以得到多条待加密语义特征向量。

相应地，在一个具体示例中，如图4所示，所述将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量，包括：S121，对所述各条待加密的信息进行分词处理以将所述各条待加密的信息转化为由多个词组成的词序列；S122，使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射为词嵌入向量以获得词嵌入向量的序列；S123，使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量；以，S124，将所述多个上下文词特征向量进行级联以得到所述多条待加密语义特征向量。

相应地，在一个具体示例中，如图5所示，所述使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量，包括：S1231，将所述词嵌入向量的序列进行一维排列以得到全局展开特征向量；S1232，计算所述全局展开特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；S1233，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；S1234，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；S1235，分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文词特征向量。

更具体地，在步骤S130中，将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵。也就是，在高维特征空间中，将多条待加密的信息的语义特征表示进行结构化整合。

更具体地，在步骤S140中，将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵。使用在局部特征提取领域具有优异性能表现的卷积神经网络模型对所述全局待加密语义矩阵进行基于卷积核的局部特征提取以得到所述全局待加密语义特征矩阵，即，提取各个待加密语义特征向量之间的局部关联语义特征信息。

相应地，在一个具体示例中，所述将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全局待加密语义特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述全局待加密语义矩阵。

更具体地，在步骤S150中，以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量。应可以理解，所述全局待加密语义特征矩阵用于表示所述多条待加密的信息的全局语义特征表示，而各条待加密语义特征向量为各条待加密的信息的语义特征表示，计算两者之间的乘积可将所述全局待加密语义特征矩阵映射到各条待加密的信息的语义特征空间中以使得所得到的各条分类特征向量能够反映各条待加密的信息相对于所述多条待加密的信息为整体的高维隐含关联模式特征。

更具体地，在步骤S160中，分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量。

特别地，在本申请的技术方案中，通过所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量，可以将所述全局待加密语义特征矩阵表达的待加密信息的上下文语义关联特征的全局样本间-样本内关联表达映射到待加密信息的上下文语义关联特征内。但是，由于所述全局待加密语义特征矩阵本身表达的是各个待加密信息之间的高阶上下文关联，将其映射到所述待加密信息的低阶上下文关联空间后，可能导致所述分类特征向量的特征分布的结构模糊，从而降低所述分类特征向量的表达确定性，影响所述分类特征向量通过分类器得到的分类结果的准确性。基于此，本申请的申请人对所述分类特征向量进行向量的有序希尔伯特完备化。

相应地，在一个具体示例中，所述分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量，包括：以如下公式对所述多个分类特征向量中各个分类特征向量进行特征分布的结构模糊校正以得到所述多个校正后分类特征向量；其中，所述公式为：

其中，

这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低特征向量的表达确定性，从而增大所述分类特征向量通过分类器得到的分类结果的准确性。也就是，提高确定给予各条待加密的信息最高加密优先级的概率的准确性。

更具体地，在步骤S170中，将所述多个校正后分类特征向量通过分类器以得到多个概率值。这里，各个概率值用于表示给予待加密的信息最高优先级的概率。这样，在得到所述多个概率值后，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级，通过这样的方式，利用数据智能方案来基于多条待加密的数据本身的高维隐含关联来确定加密优先级，这样充分利用数据自身的特性来确定适应于数据本身分布的加密优先级，以提高加密管控效果。

相应地，在一个具体示例中，所述将所述多个校正后分类特征向量通过分类器以得到多个概率值，包括：使用所述分类器以如下公式对所述多个校正后分类特征向量进行处理以得到多个概率值；其中，所述公式为：

更具体地，在步骤S180中，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

综上，基于本申请实施例的用于计算机网络信息的数据加密方法及系统，其先将获取的各条待加密的信息通过上下文编码器以得到多条待加密语义特征向量，接着，将所述多条待加密语义特征向量进行二维矩阵化后通过卷积神经网络模型以得到全局待加密语义特征矩阵，然后，以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量，接着，分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正后通过分类器以得到多个概率值，最后，基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。通过这样的方式，可以提高加密管控效果。

示例性系统

图6为根据本申请实施例的用于计算机网络信息的数据加密系统100的框图。如图6所示，根据本申请实施例的用于计算机网络信息的数据加密系统100，包括：待加密信息获取模块110，用于获取多条待加密的信息；上下文编码模块120，用于将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量；二维矩阵化模块130，用于将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵；卷积编码模块140，用于将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵；分类特征向量计算模块150，用于以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量；结构模糊校正模块160，用于分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量；概率值生成模块170，用于将所述多个校正后分类特征向量通过分类器以得到多个概率值；以及，加密优先级确定模块180，用于基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

在一个示例中，在上述用于计算机网络信息的数据加密系统100中，所述上下文编码模块120，进一步用于：对所述各条待加密的信息进行分词处理以将所述各条待加密的信息转化为由多个词组成的词序列；使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射为词嵌入向量以获得词嵌入向量的序列；使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量；以及，将所述多个上下文词特征向量进行级联以得到所述多条待加密语义特征向量。

在一个示例中，在上述用于计算机网络信息的数据加密系统100中，所述使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局展开特征向量；计算所述全局展开特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文词特征向量。

在一个示例中，在上述用于计算机网络信息的数据加密系统100中，所述卷积编码模块140，进一步用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全局待加密语义特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述全局待加密语义矩阵。

在一个示例中，在上述用于计算机网络信息的数据加密系统100中，所述结构模糊校正模块160，进一步用于：以如下公式对所述多个分类特征向量中各个分类特征向量进行特征分布的结构模糊校正以得到所述多个校正后分类特征向量；其中，所述公式为：

其中，

在一个示例中，在上述用于计算机网络信息的数据加密系统100中，所述概率值生成模块170，进一步用于：使用所述分类器以如下公式对所述多个校正后分类特征向量进行处理以得到多个概率值；

其中，所述公式为：

这里，本领域技术人员可以理解，上述用于计算机网络信息的数据加密系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的用于计算机网络信息的数据加密方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的用于计算机网络信息的数据加密系统100可以实现在各种无线终端中，例如具有用于计算机网络信息的数据加密算法的服务器等。在一个示例中，根据本申请实施例的用于计算机网络信息的数据加密系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于计算机网络信息的数据加密系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于计算机网络信息的数据加密系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该用于计算机网络信息的数据加密系统100与该无线终端也可以是分立的设备，并且该用于计算机网络信息的数据加密系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。