[发明专利]现实实体与虚拟实体的映射关系的校验方法和系统

说明书

本发明提供了一种现实实体与虚拟实体的映射关系的校验方法和系统，包括：步骤S1：对现实实体与其对应的虚拟实体进行深度学习聚类分析并建模，抽象出现实模型对象与虚拟模型对象；步骤S2：将现实模型与虚拟模型分别散列化，并基于区块链进行存证；步骤S3：基于现实模型与虚拟模型的散列构造映射函数模型，并基于量子密码学对映射函数进行分析，生成映射函数的知识图谱，以验证数据的真实性、正确性、完整性。本发明不对实体特征进行要求，可适用于不同元宇宙网络进行泛化分析；通过对映射函数模型而不是实体散列模型进行校验，提高了模型校验效率；通过对四维知识图谱的降维逻辑投影进行分析，解决了高维深度学习模型的逻辑难点。

技术领域

本发明涉及计算机技术领域，具体地，涉及一种现实实体与虚拟实体的映射关系的校验方法和系统。尤其地，涉及一种基于深度学习算法、量子密码学与区块链存证的现实实体与元宇宙对应虚拟实体的映射关系的校验方法。

背景技术

三维深度学习算法(Three-Dimensional Deep Learning)是一种基于传统深度学习算法的模型再训练算法，通过将已知模型进行散列化并重新训练，可以对高维逻辑模型进行聚类分析。

量子密码学(Quantum Cryptography)泛指利用量子力学特性辅助加密运算与校验的密码学算法，且该方法的安全性可被信息论所证明。

区块链(Blockchain)是一种基于密码学的高级数据库机制，具有共享、不可篡改的特性。

专利文献CN113963420A(申请号：CN202111326034.6)公开了一种基于深度学习的三维人脸识别方法，包括：构建人脸三维深度学习网络，计算每个训练样本的高频-深度映射图，然后将每个训练样本的彩色人脸二维图像和高频-深度映射图同时输入人脸三维深度学习网络中训练；使用彩色摄像头拍摄获得待测人脸的彩色人脸二维图像，然后将待测人脸的彩色人脸二维图像输入训练后的人脸三维深度学习网络，输出获得待测人脸的三维点云坐标；根据待测人脸的彩色人脸二维图像和三维点云坐标，计算三维人脸特征向量，然后将待测人脸的三维人脸特征向量和注册库中已注册人脸的三维人脸特征向量进行对比，从而识别待测人脸的人员信息。专利文献CN114443914A(申请号：CN202210372113.9)公开了元宇宙空间服务器的数据存储、索引、查询方法及系统，该存储方法通过空间服务器采集目标的轨迹数据，并将所述轨迹数据进行空间聚类，形成个聚类簇；将每个聚类簇对应的空间等分成份，每份成为一个细胞，每个聚类簇均有个细胞；空间服务器为每个涉及自身空间的细胞构建一块磁盘区域，将每个细胞对应的轨迹数据存储其对应的磁盘区域内。专利文献CN114510152A(申请号：CN202210401123.0)公开了一种基于容器构建元宇宙系统的方法及装置，将组成元宇宙系统的各物体的数据封装到各容器镜像中，然后在容器集群中运行各容器镜像形成一个个物体容器，将物体容器根据需要连接到虚拟环境系统的交互接口上，在多个公司构建不同的元宇宙信息系统时，将同一个物体容器挂载到多个元宇宙信息系统。然而上述专利的模型校验效率低，无法解决高维深度学习模型的逻辑难点。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种现实实体与虚拟实体的映射关系的校验方法和系统。

根据本发明提供的现实实体与虚拟实体的映射关系的校验方法，包括：

步骤S1：对现实实体与其对应的虚拟实体进行深度学习聚类分析并建模，抽象出现实模型对象与虚拟模型对象；

步骤S2：将现实模型与虚拟模型分别散列化，并基于区块链进行存证；

步骤S3：基于现实模型与虚拟模型的散列构造映射函数模型，并基于量子密码学对映射函数进行分析，生成映射函数的知识图谱，以验证数据的真实性、正确性、完整性。

优选的，所述步骤S1包括：

步骤S1.1：根据现实实体和对应虚拟实体的活动轨迹、状态变化、属性信息，制定自动采集计划采集数据；