System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据压缩处理,具体为基于散列式高阶熵数据压缩系统方法。
技术介绍
1、信息熵是信息论的基本概念。描述信息源各可能事件发生的不确定性。20世纪40年代,香农借鉴了热力学的概念,把信息中排除了冗余后的平均信息量称为“信息熵”,并给出了计算信息熵的数学表达式。信息熵的提出解决了对信息的量化度量问题,信息熵数据为了更好的进行传输经常需要进行压缩处理。
2、而在现有技术中,在对高阶熵数据压缩处理时存在诸多问题,不方便对整体处理流程进行实时监测与同步,当某一环节出现计算、处理失误时无法及时对应处理,影响后续数据压缩时的准确与稳定性,整体的智能化管理操控水平较低,因此本专利技术需要设计基于散列式高阶熵数据压缩系统方法来解决上述出现的问题。
技术实现思路
0、
技术实现思路
:
1、本专利技术的目的就在于为了解决上述问题而提供基于散列式高阶熵数据压缩系统方法,解决了
技术介绍
中提到在对高阶熵数据压缩处理时存在诸多问题,不方便对整体处理流程进行实时监测与同步,当某一环节出现计算、处理失误时无法及时对应处理,影响后续数据压缩时的准确与稳定性,整体的智能化管理操控水平较低的问题。
2、为了解决上述问题,本专利技术提供了一种技术方案:
3、基于散列式高阶熵数据压缩方法,包括以下具体步骤:
4、s1、构建数据压缩系统,获取此次需要进行整合的散列式高阶熵数据,获取数据的同时进行记录获取时间与获取位置,将获取的信息熵数据根据获取时间进行排列,对
5、s2、预先手动输入常用的替代符、文件编码规则、数据压缩大小规格数据,对接收完成排列的信息熵数据进行相同文件编码处理,生成替代符,通过替代符进行文件数据替换,构建完善的文件统计模型,进行自适应处理,进行整体信息熵数据的压缩处理;
6、s3、对获取信息熵数据的路径与获取方向进行实时监测,对数据压缩系统进行自检处理,当出现异常时人工可手动介入信息熵数据的压缩全过程,对系统自检存在的问题进行处理;
7、s4、对上述评估压缩算法的效率和性能进行评估,包括压缩比率、压缩速度、解压缩速度以及数据重构的准确性指标,得出此次最优数据压缩方法。
8、作为优选,所述s1中在进行重复数据检索时需要记录分布位置、获取时间与重复次数,对重复次数多的文件进行排列。
9、作为优选,所述s2中的文件统计模型包括静态统计模型和动态实时变化统计模型,所述静态统计模型用于对已经完成添加的信息熵数据进行统计生成模型处理,所述动态实时变化统计模型用于对不断添加的信息熵数据压缩处理进行变化统计生成模型处理。
10、作为优选,所述s2中在进行自适应处理前还需要通过文件统计模型对信息熵数据中每个字符出现概率进行记录、对压缩时长进行记录、对索引信息进行记录。
11、作为优选,所述s3中的自检内容包括是否存在风险数据、是否存在登录认证管理难问题、是否存在隐藏漏洞和是否存在基础错误设置。
12、基于散列式高阶熵数据压缩系统,用于管理如所述的基于散列式高阶熵数据压缩方法,所述数据压缩系统包括数据处理终端、数据获取模块、数据压缩模块、数据监测模块和评估压缩模块,所述数据获取模块的输出端与数据压缩模块的输入端通讯连接,所述数据压缩模块输出端与数据处理终端的输入端通讯连接,所述数据监测模块与数据处理终端双向通讯连接。
13、作为优选,所述数据处理终端包括人工管理单元和系统自处理单元,所述人工管理单元和系统自处理单元双向通讯连接;
14、所述人工管理单元用于人工手动介入信息熵数据的压缩全过程,所述人工管理单元还用于处理系统自检存在的问题;
15、所述系统自处理单元用于执行人工设定好的目标与数据处理方法,进行自行处理,同时与历史相似处理情况进行对比,得出最佳方案;
16、所述数据处理终端与评估压缩模块双向通讯连接;所述评估压缩模块用于对得到的压缩算法的效率和性能进行评估,包括压缩比率、压缩速度、解压缩速度以及数据重构的准确性指标,得出此次最优数据压缩方法。
17、作为优选,所述数据获取模块包括信息熵数据获取单元、信息熵数据排列单元和重复数据检索单元,所述信息熵数据获取单元的输出端与信息熵数据排列单元的输入端通讯连接,所述信息熵数据排列单元和重复数据检索单元双向通讯连接;
18、所述信息熵数据获取单元用于获取此次需要进行整合的散列式高阶熵数据,获取数据的同时进行记录获取时间与获取位置;
19、所述信息熵数据排列单元用于将获取的信息熵数据根据获取时间进行排列,排列包括获取信息熵数据的排列和重复次数多文件的排列,为提供替代符作为参考;
20、所述重复数据检索单元集成于所述信息熵数据排列单元内部,所述重复数据检索单元用于对排列的信息熵数据进行重复数据检索。
21、作为优选,所述数据压缩模块包括数据压缩单元、文件编码单元和预先数据设定单元,所述数据压缩单元和文件编码单元均与预先数据设定单元双向通讯连接,所述文件编码单元的输出端与数据压缩单元的输入端通讯连接,所述数据压缩单元的输出端与数据处理终端的输入端通讯连接;
22、所述数据压缩单元用于通过替代符进行文件数据替换,构建完善的文件统计模型,进行自适应处理;
23、所述文件编码单元用于对接收完成排列的信息熵数据进行相同文件编码处理,生成替代符;
24、所述预先数据设定单元用于预先手动输入常用的替代符、文件编码规则、数据压缩大小规格数据。
25、作为优选,所述数据监测模块包括信息熵数据监测单元和系统自检单元,所述息熵数据监测单元和系统自检单元均与数据处理终端双向通讯连接;
26、所述信息熵数据监测单元用于对获取信息熵数据的路径与获取方向进行实时监测,对其中的风险因素进行拦截处理;
27、所述系统自检单元用于定期对所述数据压缩系统进行自检处理。
28、本专利技术的有益效果是:本专利技术通过设置数据处理终端、数据获取模块、数据压缩模块、数据监测模块和评估压缩模块,在进行使用时,构建数据压缩系统,通过获取此次需要进行整合的散列式高阶熵数据,将获取的信息熵数据根据获取时间进行排列,对排列的信息熵数据进行重复数据检索,通过预先手动输入常用的替代符、文件编码规则、数据压缩大小规格数据,对接收完成排列的信息熵数据进行相同文件编码处理,生成替代符,通过替代符进行文件数据替换,构建完善的文件统计模型,进行自适应处理,进行整体信息熵数据的压缩处理,通过对获取信息熵数据的路径与获取方向进行实时监测,对数据压缩系统进行自检处理,当出现异常时人工可手动介入信息熵数据的压缩全过程,方便进行整体压缩流程进行实时监测处理,可进行手动介入管理,可进行预先设定目标、方法与数值管理,对上述评估压缩算法的效率和性能进行评估,包括压缩比率、压缩速度、解压缩速度以及数据重构的准确性指标,得出此次最优数据压缩方法本文档来自技高网...
【技术保护点】
1.基于散列式高阶熵数据压缩方法,其特征在于,包括以下具体步骤:
2.根据权利要求1所述的基于散列式高阶熵数据压缩方法,其特征在于:所述S1中在进行重复数据检索时需要记录分布位置、获取时间与重复次数,对重复次数多的文件进行排列。
3.根据权利要求1所述的基于散列式高阶熵数据压缩方法,其特征在于:所述S2中的文件统计模型包括静态统计模型和动态实时变化统计模型,所述静态统计模型用于对已经完成添加的信息熵数据进行统计生成模型处理,所述动态实时变化统计模型用于对不断添加的信息熵数据压缩处理进行变化统计生成模型处理。
4.根据权利要求3所述的基于散列式高阶熵数据压缩方法,其特征在于:所述S2中在进行自适应处理前还需要通过文件统计模型对信息熵数据中每个字符出现概率进行记录、对压缩时长进行记录、对索引信息进行记录。
5.根据权利要求1所述的基于散列式高阶熵数据压缩方法,其特征在于:所述S3中的自检内容包括是否存在风险数据、是否存在登录认证管理难问题、是否存在隐藏漏洞和是否存在基础错误设置。
6.基于散列式高阶熵数据压缩系统,用于管理如
7.根据权利要求6所述的基于散列式高阶熵数据压缩系统,其特征在于:所述数据处理终端包括人工管理单元和系统自处理单元,所述人工管理单元和系统自处理单元双向通讯连接;
8.根据权利要求6所述的基于散列式高阶熵数据压缩系统,其特征在于:所述数据获取模块包括信息熵数据获取单元、信息熵数据排列单元和重复数据检索单元,所述信息熵数据获取单元的输出端与信息熵数据排列单元的输入端通讯连接,所述信息熵数据排列单元和重复数据检索单元双向通讯连接;
9.根据权利要求6所述的基于散列式高阶熵数据压缩系统,其特征在于:所述数据压缩模块包括数据压缩单元、文件编码单元和预先数据设定单元,所述数据压缩单元和文件编码单元均与预先数据设定单元双向通讯连接,所述文件编码单元的输出端与数据压缩单元的输入端通讯连接,所述数据压缩单元的输出端与数据处理终端的输入端通讯连接;
10.根据权利要求6所述的基于散列式高阶熵数据压缩系统,其特征在于:所述数据监测模块包括信息熵数据监测单元和系统自检单元,所述息熵数据监测单元和系统自检单元均与数据处理终端双向通讯连接;
...【技术特征摘要】
1.基于散列式高阶熵数据压缩方法,其特征在于,包括以下具体步骤:
2.根据权利要求1所述的基于散列式高阶熵数据压缩方法,其特征在于:所述s1中在进行重复数据检索时需要记录分布位置、获取时间与重复次数,对重复次数多的文件进行排列。
3.根据权利要求1所述的基于散列式高阶熵数据压缩方法,其特征在于:所述s2中的文件统计模型包括静态统计模型和动态实时变化统计模型,所述静态统计模型用于对已经完成添加的信息熵数据进行统计生成模型处理,所述动态实时变化统计模型用于对不断添加的信息熵数据压缩处理进行变化统计生成模型处理。
4.根据权利要求3所述的基于散列式高阶熵数据压缩方法,其特征在于:所述s2中在进行自适应处理前还需要通过文件统计模型对信息熵数据中每个字符出现概率进行记录、对压缩时长进行记录、对索引信息进行记录。
5.根据权利要求1所述的基于散列式高阶熵数据压缩方法,其特征在于:所述s3中的自检内容包括是否存在风险数据、是否存在登录认证管理难问题、是否存在隐藏漏洞和是否存在基础错误设置。
6.基于散列式高阶熵数据压缩系统,用于管理如权利要求1-5任一一项所述的基于散列式高阶熵数据压缩方法,其特征在于:所述数据压缩系统包括数据处理终端、数据获取模块、数据压缩模块、数据监测模块和评估...
【专利技术属性】
技术研发人员:李小霖,张国芳,林丽爽,
申请(专利权)人:北京成名网科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。