一种动车组轮对检测数据的加密方法及系统与流程

1.本发明涉及数据加密技术领域，具体而言，涉及一种动车组轮对检测数据的加密方法及系统。


背景技术：

2.动车组轮对在运行过程中会受到周围环境的影响，受到影响过程中产生的动车组轮对检测数据的部分特征可以反映周围环境场景的特征，这些特征可以理解为需要进行加密的隐匿化数据的特征数据，相关技术中有不法分子基于分析这些隐匿化决策特征反推出周围环境场景，进而可能造成地理信息泄露的风险。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本发明的目的在于提供一种动车组轮对检测数据的加密方法及系统。
4.第一方面，本发明提供一种动车组轮对检测数据的加密方法，应用于动车组轮对检测数据的加密系统，该方法包括：搜寻上传的每个动车组轮对区域的动车组轮对检测数据；按照满足网络部署需求的隐匿化特征决策网络对该动车组轮对检测数据进行隐匿化特征决策，得到隐匿化决策特征；按照该隐匿化决策特征推导相关的加密决策数据集，并按照该加密决策数据集对相关的每个动车组轮对区域具有联系关系的检测数据项目进行加密处理。
5.第二方面，本发明实施例还提供一种动车组轮对检测数据的加密系统，该动车组轮对检测数据的加密系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现前述的动车组轮对检测数据的加密方法。
6.按照上述任意一个方面，可以搜寻上传的每个动车组轮对区域的动车组轮对检测数据，按照满足网络部署需求的隐匿化特征决策网络对动车组轮对检测数据进行隐匿化特征决策，得到隐匿化决策特征，按照隐匿化决策特征推导相关的加密决策数据集，并按照加密决策数据集对相关的每个动车组轮对区域具有联系关系的检测数据项目进行加密处理。在本发明方案中，基于隐匿化特征决策网络首先针对动车组轮对检测数据进行隐匿化特征决策之后以此为依据进行数据加密，有效避免入侵者通过对动车组轮对检测数据进行分析非法获知轨道地形场景数据，避免造成地理信息泄露的风险。
附图说明
7.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这
些附图获得其它相关的附图。
8.图1为本发明实施例提供的动车组轮对检测数据的加密方法的流程示意图。
9.图2为本发明实施例提供的用于实现上述的动车组轮对检测数据的加密方法的动车组轮对检测数据的加密系统的结构示意框图。
具体实施方式
10.以下描述是为了使本领域的普通技术人员能够实施和利用本发明，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本发明的原则和范围的情况下，本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本发明并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
11.本发明中所使用的术语仅用于描述特定的示例性实施例，并不限制本发明的范围。如本发明使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本发明说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。
12.根据以下对附图的描述，本发明的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本发明说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本发明的范围。应当理解的是，附图并不是按比例绘制的。
13.本发明中使用了流程图用来说明根据本发明的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。
14.下面结合说明书附图对本发明进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
15.图1是本发明一种实施例提供的动车组轮对检测数据的加密方法的流程示意图，下面对该动车组轮对检测数据的加密方法进行详细介绍。
16.步骤s110，搜寻上传的每个动车组轮对区域的动车组轮对检测数据。
17.步骤s120，按照满足网络部署需求的隐匿化特征决策网络对该动车组轮对检测数据进行隐匿化特征决策，得到隐匿化决策特征。
18.例如，该隐匿化特征决策网络可以通过深度特征学习进行收敛优化，也即进行神经网络训练获得满足网络部署需求的隐匿化特征决策网络，满足网络部署需求的隐匿化特征决策网络可以对动车组轮对检测数据进行隐匿化特征决策。其中，隐匿化决策特征可以是指该动车组轮对检测数据中可能具有需要进行加密的隐匿化数据的特征数据，例如动车组轮对在运行过程中会受到周围环境的影响，受到影响过程中产生的动车组轮对检测数据的部分特征可以反映周围环境场景的特征，这些特征可以理解为需要进行加密的隐匿化数据的特征数据，相关技术中有不法分子基于分析这些隐匿化决策特征反推出周围环境场景，进而可能造成地理信息泄露的风险。
19.步骤s130，按照该隐匿化决策特征推导相关的加密决策数据集，并按照该加密决策数据集对相关的每个动车组轮对区域具有联系关系的检测数据项目进行加密处理。
20.例如，可以将隐匿化决策特征中满足加密决策要求的目标隐匿化决策特征作为加密决策数据以生成相关的加密决策数据集，由此针对每个动车组轮对区域具有联系关系的检测数据项目进行加密处理。例如，获取该加密决策数据集中每个加密决策数据具有联系关系的检测数据项目，并且按照每个加密决策数据的特征特性所对应的预设加密方式进行加密处理。
21.按照以上步骤，本实施例可以搜寻上传的每个动车组轮对区域的动车组轮对检测数据，按照满足网络部署需求的隐匿化特征决策网络对动车组轮对检测数据进行隐匿化特征决策，得到隐匿化决策特征，按照隐匿化决策特征推导相关的加密决策数据集，并按照加密决策数据集对相关的每个动车组轮对区域具有联系关系的检测数据项目进行加密处理。在本发明方案中，基于隐匿化特征决策网络首先针对动车组轮对检测数据进行隐匿化特征决策之后以此为依据进行数据加密，有效避免入侵者通过对动车组轮对检测数据进行分析非法获知轨道地形场景数据，避免造成地理信息泄露的风险。
22.一些实施例中，步骤s120具体实施方式可以参见以下步骤。
23.步骤s121，按照该隐匿化特征决策网络决策该动车组轮对检测数据包含的隐匿化特征空间和隐匿化特征显著事件，以及决策该隐匿化特征空间相关的隐匿化特征类别、该隐匿化特征显著事件相关的显著事件类别。
24.步骤s122，将该动车组轮对检测数据、该隐匿化特征空间及相关的隐匿化特征类别、该隐匿化特征显著事件及相关的显著事件类别作为该隐匿化决策特征。
25.例如，可以将该动车组轮对检测数据传递至满足网络部署需求的隐匿化特征决策网络中，按照隐匿化特征决策网络包含的隐匿化特征空间决策组件决策该动车组轮对检测数据包含的隐匿化特征空间所关联的隐匿化特征类别，以及按照隐匿化特征决策网络包含的显著事件决策结构决策该动车组轮对检测数据相关的隐匿化特征显著事件所相关的显著事件类别。
26.一些实施例中，以上的隐匿化特征决策网络的收敛优化步骤可参见以下步骤。
27.步骤s101：搜寻示例动车组轮对检测数据集，该示例动车组轮对检测数据集包括配置了隐匿化特征类别和显著事件类别的该动车组轮对检测数据。
28.例如，可以搜寻实时上传的动车组轮对检测数据，并且配置所述该动车组轮对检测数据中包含的隐匿化特征空间相关的隐匿化特征类别，以及配置这些该动车组轮对检测数据中所基于的隐匿化特征显著事件相关的显著事件类别。
29.前述的该动车组轮对检测数据中配置的隐匿化特征类别，设定隐匿化特征空间包含的隐匿化特征类别，和设定检测向量序列中包含的隐匿化特征类别，可以都按照用于表示隐匿化特征类别的标签属性进行表达。
30.在确定各个动车组轮对检测数据中每个动车组轮对检测数据中包含的隐匿化特征空间相关的隐匿化特征类别及包含的隐匿化特征显著事件相关的显著事件类别，将上传的所有该动车组轮对检测数据构成示例动车组轮对检测数据集。并且按照上述方案部署设定隐匿化特征空间、设定检测向量序列以及设定显著事件向量序列之后，可以基于部署的示例动车组轮对检测数据集进行网络收敛优化。
31.步骤s102：部署用于预测隐匿化决策特征的隐匿化特征决策网络的网络配置组件，该隐匿化特征决策网络包括基于多个决策特征函数和集中聚焦函数的显著事件决策结构。
32.例如，将向量挖掘组件、隐匿化特征空间
‑
迁移挖掘组件、隐匿化特征聚焦组件及隐匿化特征决策组件进行函数关联，获得隐匿化特征空间决策组件。将显著事件聚焦组件、显著轮对场景聚焦组件及聚焦决策组件均与显著事件类别决策组件进行函数联系，得到显著事件决策结构。其中，聚焦决策组件包括多个决策特征函数和集中聚焦函数。将隐匿化特征空间决策组件和显著事件决策结构均与收敛评估组件联系。
33.步骤s103：按照该示例动车组轮对检测数据集涵盖的该动车组轮对检测数据，对该隐匿化特征决策网络进行收敛优化。
34.一些实施例中，隐匿化特征决策网络的收敛优化过程如下。
35.（1）从示例动车组轮对检测数据集中搜寻预设数据范围的该动车组轮对检测数据。
36.隐匿化特征决策网络可以传递至多个该动车组轮对检测数据。从示例动车组轮对检测数据集中搜寻预设数据范围的该动车组轮对检测数据。该预设数据范围即为该隐匿化特征决策网络支持的收敛优化上限数量。
37.（2）将该动车组轮对检测数据分别传递至隐匿化特征空间决策组件和显著事件决策结构中，接着执行下述步骤。
38.将该动车组轮对检测数据传递至隐匿化特征空间决策组件包含的向量挖掘组件中，同时将该动车组轮对检测数据传递至显著事件决策结构中的显著事件聚焦组件、显著轮对场景聚焦组件及聚焦决策组件中。按照隐匿化特征空间决策组件和显著事件决策结构同步对该动车组轮对检测数据进行隐匿化特征空间深度训练及隐匿化特征显著事件深度训练，该动车组轮对检测数据的隐匿化特征空间及隐匿化特征显著事件深度训练效率较大。且显著事件决策结构中按照显著事件聚焦组件、显著轮对场景聚焦组件及聚焦决策组件同步对该动车组轮对检测数据进行隐匿化特征显著事件深度训练，提高隐匿化特征显著事件的决策效率。
39.（3）按照隐匿化特征空间决策组件决策该动车组轮对检测数据包含的隐匿化特征空间相关的隐匿化特征类别。
40.例如，可以按照向量挖掘组件挖掘该动车组轮对检测数据中每个轮对检测周期性数据的轮对检测向量序列。由于隐匿化特征空间的轮对检测向量序列大部分为无用特征信息，因此从配置轮对检测向量序列后的该动车组轮对检测数据中移除轮对检测向量序列为指定轮对检测向量序列的轮对检测周期性数据，从而滤除该动车组轮对检测数据中的无用特征信息。
41.接下来，可以按照隐匿化特征空间
‑
迁移挖掘组件挖掘完成移除后的该动车组轮对检测数据中包含的隐匿化特征部分，该隐匿化特征部分包括该动车组轮对检测数据的数据特征中包含的隐匿化特征空间以及隐匿化特征空间的关系。
42.在提取出隐匿化特征部分之后，按照隐匿化特征聚焦组件确定该隐匿化特征部分相关的隐匿化特征类别。在步骤s101中添加该动车组轮对检测数据时同步配置设定隐匿化特征空间。按照上述提取的隐匿化特征部分，按照隐匿化特征聚焦组件聚焦设定隐匿化特
征空间是否囊括该隐匿化特征部分相关的隐匿化特征类别。如果确定是，则从设定隐匿化特征空间搜寻该隐匿化特征部分相关的隐匿化特征类别。然后按照隐匿化特征决策组件决策该隐匿化特征部分相关的隐匿化特征类别。
43.在步骤s101中添加该动车组轮对检测数据时还同时生成了囊括大量该动车组轮对检测数据相关的轮对检测周期性向量序列及隐匿化特征类别的设定检测向量序列。若在设定隐匿化特征空间未获得该隐匿化特征部分相关的隐匿化特征类别，则按照移除指定轮对检测向量序列的轮对检测周期性数据以后的该动车组轮对检测数据，按照向量挖掘单元挖掘该动车组轮对检测数据相关的轮对检测周期性向量序列。按照隐匿化特征聚焦组件聚焦设定检测向量序列中是否囊括与该动车组轮对检测数据的轮对检测周期性向量序列之间的关联度不小于预设关联度轮对检测周期性向量序列。如果确定是，则将关联度不小于预设关联度轮对检测周期性向量序列相关的隐匿化特征类别确定为该动车组轮对检测数据的隐匿化特征部分相关的隐匿化特征类别，按照隐匿化特征决策组件决策该隐匿化特征部分相关的隐匿化特征类别。若在设定检测向量序列中未获得与该动车组轮对检测数据的轮对检测周期性向量序列之间的关联度不小于预设关联度轮对检测周期性向量序列，则将该动车组轮对检测数据的隐匿化特征部分相关的隐匿化特征类别配置为预设隐匿化特征类别，按照隐匿化特征决策组件决策该隐匿化特征部分相关的隐匿化特征类别。
44.（4）按照显著事件决策结构决策该动车组轮对检测数据相关的隐匿化特征显著事件相关的显著事件类别。
45.由于隐匿化特征显著事件一般为持续性检测数据，由此可从该动车组轮对检测数据中提取持续性轮对检测数据部分。按照提取的持续性轮对检测数据部分和设定显著事件向量序列，按照显著事件聚焦组件搜寻该动车组轮对检测数据相关的第一隐匿化特征显著事件决策内容。即按照显著事件聚焦组件在设定显著事件向量序列中获取持续性轮对检测数据部分的显著性向量，将显著性向量相关的显著事件类别作为提取的持续性轮对检测数据部分相关的显著事件类别。其中，第一隐匿化特征显著事件决策内容包括前述持续性轮对检测数据部分相关的显著事件类别。
46.本实施例中，还按照该动车组轮对检测数据和设定显著事件频繁性向量序列，按照显著轮对场景聚焦组件搜寻该动车组轮对检测数据相关的第二隐匿化特征显著事件决策内容。即按照显著轮对场景聚焦组件在设定显著事件频繁性向量序列中获取该动车组轮对检测数据中的显著事件检测向量，从设定显著事件频繁性向量序列中搜寻前述的显著事件检测向量相关的显著事件类别，将该显著事件类别作为该动车组轮对检测数据相关的显著事件类别。其中，第二隐匿化特征显著事件决策内容包括前述的显著事件检测向量相关的显著事件类别。
47.本实施例，还按照聚焦决策组件搜寻该动车组轮对检测数据相关的第三隐匿化特征显著事件决策内容。例如，将该动车组轮对检测数据中配置了隐匿化特征类别的轮对检测周期性数据用第一目标轮对检测向量序列与其它检测向量进行分隔，以及将配置了显著事件类别的轮对检测周期性数据用第二目标轮对检测向量序列与其它检测向量进行分隔，第一目标轮对检测向量序列与第二目标轮对检测向量序列为不同的轮对检测向量。按照特定的轮对检测向量将隐匿化特征空间和隐匿化特征显著事件的轮对检测周期性数据与其它检测向量进行分隔，以方便后续聚焦决策组件调用该动车组轮对检测数据。
48.按照聚焦决策组件中的多个决策特征函数对该动车组轮对检测数据进行向量挖掘，得到相关的周期性向量序列。按照聚焦决策组件中的集中聚焦函数确定周期性向量序列中每个轮对检测周期性向量序列相关的集中聚焦函数值。按照每个轮对检测周期性向量序列及每个轮对检测周期性向量序列相关的集中聚焦函数值，按照多个决策特征函数包含的决策特征子函数计算该动车组轮对检测数据包含的隐匿化特征显著事件对应于各个显著事件类别的对应归属值。将最高对应归属值的显著事件类别作为该动车组轮对检测数据相关的第三隐匿化特征显著事件决策内容。第三隐匿化特征显著事件决策内容中包括上述最高对应归属值的显著事件类别。
49.聚焦决策组件的传递至为该动车组轮对检测数据中的轮对检测周期性数据检测向量序列，输出为该轮对检测周期性数据检测向量序列中的隐匿化特征显著事件为各显著事件类别的对应归属值，将最高对应归属值的显著事件类别作为该动车组轮对检测数据相关的第三隐匿化特征显著事件决策内容。第三隐匿化特征显著事件决策内容中包括上述最高对应归属值的显著事件类别。
50.按照显著事件聚焦组件、显著轮对场景聚焦组件及聚焦决策组件并行处理该动车组轮对检测数据，得到第一隐匿化特征显著事件决策内容、该第二隐匿化特征显著事件决策内容和该第三隐匿化特征显著事件决策内容后，按照第一隐匿化特征显著事件决策内容、第二隐匿化特征显著事件决策内容和第三隐匿化特征显著事件决策内容，按照显著事件类别决策组件确定该动车组轮对检测数据相关的隐匿化特征显著事件相关的显著事件类别。例如，分别确定第一隐匿化特征显著事件决策内容、第二隐匿化特征显著事件决策内容和第三隐匿化特征显著事件决策内容中每种显著事件类别在全部显著事件类别中的显著性系数；若各显著事件类别的显著性系数不同，则将显著性系数最高的显著事件类别作为该动车组轮对检测数据相关的隐匿化特征显著事件相关的显著事件类别；若各显著事件类别的显著性系数相同，则将该动车组轮对检测数据相关的隐匿化特征显著事件配置为预设显著事件类别。
51.（5）按照决策的隐匿化特征类别及显著事件类别，按照收敛评估组件确定收敛优化流程的收敛评估值。
52.按照前述实施例获得的该动车组轮对检测数据中隐匿化特征空间对应的隐匿化特征类别及隐匿化特征显著事件所相关的显著事件类别后，将决策的隐匿化特征类别和显著事件类别传递至收敛评估组件中。
53.本实施例中，基于隐匿化特征决策网络，该隐匿化特征决策网络在隐匿化特征显著事件深度训练方面配置集中聚焦函数来收敛多个决策特征函数，进而提高网络收敛效果。在多个决策特征函数加集中聚焦函数来进行隐匿化特征显著事件决策的同时，进行隐匿化特征显著事件深度训练，提高隐匿化特征显著事件的决策学习效果。在隐匿化特征空间深度训练方面，移除无用特征的轮对检测周期性数据，且按照设定隐匿化特征空间进行隐匿化特征空间深度训练，进一步提高网络收敛效果。
54.一些实施例中，进一步参阅以下步骤。
55.步骤s140，遍历调取每个动车组轮对区域在目标运行阶段内的加密决策特征序列。
56.步骤s150，搜寻该加密决策特征序列在虚拟配置访问器下触发的多个虚拟响应特
征字段。
57.步骤s160，对所述多个虚拟响应特征字段进行异常密文溯源，得到与该加密决策特征序列存在联系的多个参考异常密文。
58.步骤s170，遍历基于多个该参考异常密文中的每个参考异常密文，按照该加密决策特征序列在所述多个虚拟响应特征字段中的虚拟响应拦截信息，以及该参考异常密文在所述多个虚拟响应特征字段中的异常溯源字段，确定该加密决策特征序列和该参考异常密文在所述多个虚拟响应特征字段中的异常概率参数，得到该参考异常密文相关的异常概率参数分布。
59.步骤s180，按照多个该参考异常密文各自对应的异常概率参数分布，确定该加密决策特征序列的异常密文知识空间。
60.步骤s190，按照该异常密文知识空间，基于预先开发的异常修复指令集搜寻与该异常密文知识空间对应的目标异常修复指令。
61.一些实施例中，还可以确定该参考异常密文的异常溯源字段，例如可以对该参考异常密文进行异常字段溯源，得到该参考异常密文在虚拟配置访问器下相关的异常字段响应信息，基于获得的该异常密文的异常字段响应信息作为该参考异常密文在所述多个虚拟响应特征字段中的异常溯源字段。
62.譬如在一些实施例中，步骤s170的具体实施方式可以为以下实施方式。
63.步骤s171，遍历所述多个虚拟响应特征字段中的每个虚拟响应特征字段，基于当前遍历的虚拟响应特征字段，按照该参考异常密文的参考异常节点相关的异常字段响应信息，确定一个异常密文字段作为目标异常描述字段。
64.步骤s172，按照该目标异常描述字段，在该遍历的虚拟响应特征字段中，确定与该加密决策特征序列的显著虚拟响应活动对应的显著虚拟响应特征字段，并将该显著虚拟响应特征字段与该显著虚拟响应活动的联系响应特征字段作为显著加密决策字段，该显著虚拟响应活动是按照该遍历的虚拟响应特征字段中的加密决策特征序列在本次加密决策阶段之前的目标加密决策阶段内的虚拟响应拦截信息获得，且在该遍历的虚拟响应特征字段中指示该加密决策特征序列的当前虚拟响应位置。
65.步骤s173，按照该目标异常描述字段和该显著加密决策字段，确定该加密决策特征序列和该参考异常密文在该遍历的虚拟响应特征字段中的异常概率参数。
66.步骤s174，按照遍历所述多个虚拟响应特征字段各自对应的异常概率参数，得到该参考异常密文相关的异常概率参数分布。
67.进一步地，譬如在一些实施例中，步骤s170的具体实施方式可以参见下述实施方式。
68.步骤s175，分别遍历所述多个虚拟响应特征字段中的每个虚拟响应特征字段，基于当前遍历的虚拟响应特征字段中，按照异常评价模型的模型权重信息，将该参考异常密文的参考异常节点相关的异常字段响应信息中的多个异常密文字段，转换到异常评价属性下，获得相关的目标异常密文字段簇，并将该加密决策特征序列的虚拟响应拦截信息转换到该异常评价属性下，获得相关的异常评价属性特征。
69.步骤s176，按照该目标异常密文字段簇对该参考异常密文进行分析，确定该异常评价属性下，用于表达该遍历的虚拟响应特征字段中的该参考异常密文的参考异常节点。
70.步骤s177，按照该参考异常节点以及该异常评价属性特征，确定该加密决策特征序列和该参考异常密文的异常概率参数。
71.步骤s178，按照遍历所述多个虚拟响应特征字段相关的异常概率参数，得到该参考异常密文相关的异常概率参数分布。
72.图2示出了本发明实施例提供的用于实现上述的动车组轮对检测数据的加密方法的动车组轮对检测数据的加密系统100的硬件结构意图，如图2所示，动车组轮对检测数据的加密系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
73.在一些实施例中，动车组轮对检测数据的加密系统100可以是单个服务器，也可以是服务器组。该服务器组可以是集中式的，也可以是分布式的(例如，动车组轮对检测数据的加密系统100可以是分布式的系统)。在一些实施例中，动车组轮对检测数据的加密系统100可以是本地的，也可以是远程的。例如，动车组轮对检测数据的加密系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，动车组轮对检测数据的加密系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，动车组轮对检测数据的加密系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多个云等或其任意组合。
74.机器可读存储介质120可以储存数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端该数据。在一些实施例中，机器可读存储介质120可以储存动车组轮对检测数据的加密系统100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(rom)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(ram)。示例性ram可包括主动随机存取存储器(dram)、双倍数据速率同步主动随机存取存储器(ddr sdram)、被动随机存取存储器(sram)、晶闸管随机存取存储器(t
‑
ram)和零电容随机存取存储器(z
‑
ram)等。示例性只读存储器可以包括掩模型只读存储器(mrom)、可编程只读存储器(prom)、可擦除可编程只读存储器(perom)、电可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd
‑
rom)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
75.在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的动车组轮对检测数据的加密方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
76.处理器110的具体实现过程可参见上述动车组轮对检测数据的加密系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
77.此外，本发明实施例还提供一种可读存储介质，该可读存储介质中预设有计算机可执行指令，当处理器执行该计算机可执行指令时，实现如上动车组轮对检测数据的加密方法。
78.应当理解的是，以上描述仅出于说明的目的，并不旨在限制本发明的范围。对于本
领域的普通技术人员来说，可以根据本发明的描述，做出多种修改和变化。然而，这些修改和变化不会背离本发明的范围。
79.上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本发明的限制。虽然此处并没有明确说明，本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议，所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。
80.同时，本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明多个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
81.此外，本领域的普通技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
82.计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质等或其任意组合。
83.本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb.net、python等，常规程序化编程语言如c语言、visual basic、fortran 2003、perl、cobol 2002、php、abap，主动编程语言如python、ruby和groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
84.此外，除非权利要求中明确说明，本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安
装所描述的系统。
85.同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。