具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1-2，本申请实施例提供一种基于间隔式训练的云计算信息安全的改善方法，包括以下步骤：

S1、云计算平台在第一时间窗口内，对预设的神经网络模型进行第一次训练处理，以得到第一参考模型；其中，所述第一次训练处理的过程中采用第一数量的第一训练数据进行训练，所述第一训练数据由第一训练用图片和对所述第一训练用图片进行人工标注的第一训练标签构成，并且所述第一训练用图片与所述第一训练标签的对应关系是错误的；

S2、云计算平台将预设的第二数量的验证数据输入所述第一参考模型中进行处理，从而得到所述第一参考模型对应输出的第二数量的第一验证结果；所述第二数量的验证数据由第一验证用图片和对所述第一验证图片进行人工标注的第一验证标签构成，并且所述第一验证用图片与所述第一验证标签的对应关系是正确的；所述第二数量大于所述第一数量；

S3、云计算平台判断所述第二数量的第一验证结果中验证通过的数量是否小于预设的通过数量阈值；

S4、若所述第二数量的第一验证结果中验证通过的数量小于预设的通过数量阈值，则提取所述第一参考模型中各个网络层的参数，并将预设的第一图像分类模型的各个网络层的参数修改为所述第一参考模型中各个网络层的参数；

S5、云计算平台将所述第一参考模型中各个网络层的参数发送给第一用户端；

S6、第一用户端将预设的神经网络模型的各个网络层的参数修改为所述第一参考模型中各个网络层的参数，从而得到第二图像分类模型；

S7、第一用户端通过在触摸屏上手绘和图像传感器采集的方式，以对应获取第三数量的图像和第四数量的图像，并将所述第三数量的图像和第四数量的图像构成第一图像集；

S8、第一用户端将所述第一图像集输入所述第二图像分类模型中进行处理，从而得到所述第二图像分类模型输出的第一图像分类结果集；

S9、第一用户端将所述第一图像集和所述第一图像分类结果集发送给所述云计算平台；

S10、云计算平台将所述第一图像集输入所述第一图像分类模型中进行处理，从而得到所述第一图像分类模型输出的第二图像分类结果集；

S11、云计算平台判断所述第一图像分类结果集与所述第二图像分类结果集是否相同；

S12、若所述第一图像分类结果集与所述第二图像分类结果集相同，则给予所述第一用户端暂时访问权限；

S13、云计算平台在第二时间窗口内，对所述第一参考模型进行第二次训练处理，以得到第二参考模型；其中，所述第二次训练处理的过程中采用第五数量的第二训练数据进行训练，所述第二训练数据由第二训练用图片和对所述第二训练用图片进行人工标注的第二训练标签构成，并且所述第二训练用图片与所述第二训练标签的对应关系是错误的；所述第二时间窗口的左边界在所述第一时间窗口的右边界的右侧；

S14、云计算平台将预设的第六数量的验证数据输入所述第二参考模型中进行处理，从而得到所述第二参考模型对应输出的第六数量的第二验证结果；所述第六数量的验证数据由第二验证用图片和对所述第二验证图片进行人工标注的第二验证标签构成，并且所述第二验证用图片与所述第二验证标签的对应关系是正确的；所述第六数量大于所述第五数量；

S15、云计算平台判断所述第六数量的第二验证结果中验证通过的数量是否小于预设的通过数量阈值；

S16、若所述第六数量的第二验证结果中验证通过的数量小于预设的通过数量阈值，则提取所述第二参考模型中各个网络层的参数，并将所述第一图像分类模型的各个网络层的参数修改为所述第二参考模型中各个网络层的参数；

S17、云计算平台将所述第二参考模型中各个网络层的参数发送给第一用户端，从而实现云计算信息安全的改善。

本申请的基于间隔式训练的云计算信息安全的改善方法，其中间隔式训练，指的是第一次训练是在第一时间窗口内进行的，第二次训练是在第二时间窗口内进行的，依次类推，而各个时间窗口是不连续的。并且本申请能够实现动态地云计算信息安全的改善，指的是在一段时间内第一用户端的暂时访问权限是有效的，并且用于确认权限的第一图像集和第一图像分类结果集，仅是单次有效的。

如上述步骤S1-S5所述，云计算平台在第一时间窗口内，对预设的神经网络模型进行第一次训练处理，以得到第一参考模型；其中，所述第一次训练处理的过程中采用第一数量的第一训练数据进行训练，所述第一训练数据由第一训练用图片和对所述第一训练用图片进行人工标注的第一训练标签构成，并且所述第一训练用图片与所述第一训练标签的对应关系是错误的；云计算平台将预设的第二数量的验证数据输入所述第一参考模型中进行处理，从而得到所述第一参考模型对应输出的第二数量的第一验证结果；所述第二数量的验证数据由第一验证用图片和对所述第一验证图片进行人工标注的第一验证标签构成，并且所述第一验证用图片与所述第一验证标签的对应关系是正确的；所述第二数量大于所述第一数量；云计算平台判断所述第二数量的第一验证结果中验证通过的数量是否小于预设的通过数量阈值；若所述第二数量的第一验证结果中验证通过的数量小于预设的通过数量阈值，则提取所述第一参考模型中各个网络层的参数，并将预设的第一图像分类模型的各个网络层的参数修改为所述第一参考模型中各个网络层的参数；云计算平台将所述第一参考模型中各个网络层的参数发送给第一用户端。

所述第一时间窗口并无过多的限制，因为每次训练均不需要经过太长时间的训练，只需要能够改变模型的各层网络层的参数即可，因此训练的速度快。并且，本申请的训练过程与普通的神经网络模型的训练过程是不同的，其不同之处在于，所述第一次训练处理的过程中采用第一数量的第一训练数据进行训练，所述第一训练数据由第一训练用图片和对所述第一训练用图片进行人工标注的第一训练标签构成，并且所述第一训练用图片与所述第一训练标签的对应关系是错误的；所述第二数量的验证数据由第一验证用图片和对所述第一验证图片进行人工标注的第一验证标签构成，并且所述第一验证用图片与所述第一验证标签的对应关系是正确的；所述第二数量大于所述第一数量。对比而言，普通的模型训练，追求的是准确性，而本申请的模型训练，追求的反而是不准确性，其机理是不同的不准确的模型，其输出结果是不同的，而只有具有相同参数的不准确模型，其输出结果才能保证是相同的；另外，普通的模型训练，其训练数据与验证数据必须保证正确且同源，而本申请的训练数据应当是错误的，验证数据应当是正确的；最后，普通的模型训练，其训练数据要远大于验证数据，而本申请相反，训练数据的数量小于验证数据的数量，即所述第二数量大于所述第一数量。通过这样的间断性训练，能够间断性地生成混沌的参考模型，而利用这种混沌的参考模型的参数，可以避免其他终端得到相同的参考模型，进而保证权限赋予的准确性，从而改善信息安全性。云计算平台判断所述第二数量的第一验证结果中验证通过的数量是否小于预设的通过数量阈值，从而确定图片分类的准确性是否较低，若所述第二数量的第一验证结果中验证通过的数量小于预设的通过数量阈值，表明准确性较低，符合要求，因此提取所述第一参考模型中各个网络层的参数，并将预设的第一图像分类模型的各个网络层的参数修改为所述第一参考模型中各个网络层的参数。再将所述第一参考模型中各个网络层的参数发送给第一用户端。此时，只有云平台和第一用户端具有第一参考模型中各个网络层的参数。所述神经网络模型可为任意可行模型，例如为卷积神经网络模型等等。

进一步地，所述云计算平台在第一时间窗口内，对预设的神经网络模型进行第一次训练处理，以得到第一参考模型；其中，所述第一次训练处理的过程中采用第一数量的第一训练数据进行训练，所述第一训练数据由第一训练用图片和对所述第一训练用图片进行人工标注的第一训练标签构成，并且所述第一训练用图片与所述第一训练标签的对应关系是错误的步骤S1之前，包括：

S01、云计算平台根据预设的分类模型与样本集的对应关系，获取训练完成的图片分类模型对应的样本集；其中，所述训练完成的图片分类模型的识别准确率大于预设的准确阈值；

S02、云计算平台从所述样本集中提取第一数量的样本数据和第二数量的样本数据；

S03、云计算平台将所述第一数量的样本数据中的每个样本图片对应的人工标注的标签进行修改，从而得到第一数量的第一训练数据；

S04、云计算平台将所述第二数量的样本数据记为第二数量的验证数据；

S05、云计算平台生成训练和验证指令，所述训练和验证指令用于指示对预设的神经网络模型进行第一次训练处理和验证处理。

从而获取第一数量的第一训练数据和第二数量的验证数据。本申请利用已有的训练完成的图片分类模型，已尽快得到训练数据和验证数据。由于训练完成的图片分类模型的识别准确率大于预设的准确阈值，因此对应的样本集可直接作为验证数据使用，再将所述第一数量的样本数据中的每个样本图片对应的人工标注的标签进行修改，从而得到第一数量的第一训练数据。从而得到即时可用的第一数量的第一训练数据和第二数量的验证数据。进一步地，后续间隔式的训练，可以采用此时的样本集中的数据，也可以重新生成新的训练数据和验证数据。

如上述步骤S6-S9所述，第一用户端将预设的神经网络模型的各个网络层的参数修改为所述第一参考模型中各个网络层的参数，从而得到第二图像分类模型；第一用户端通过在触摸屏上手绘和图像传感器采集的方式，以对应获取第三数量的图像和第四数量的图像，并将所述第三数量的图像和第四数量的图像构成第一图像集；第一用户端将所述第一图像集输入所述第二图像分类模型中进行处理，从而得到所述第二图像分类模型输出的第一图像分类结果集；第一用户端将所述第一图像集和所述第一图像分类结果集发送给所述云计算平台。

第一用户端上的神经网络模型与云计算平台上的神经网络模型、第一图像分类模型的类型相同，具有相同的网络层，将预设的神经网络模型的各个网络层的参数修改为所述第一参考模型中各个网络层的参数，目的在于使第二图像分类模型与第一图像分类模型相同。再通过在触摸屏上手绘和图像传感器采集的方式，以对应获取第三数量的图像和第四数量的图像，并将所述第三数量的图像和第四数量的图像构成第一图像集。本申请对第一图像集中的图像没有限制，并且其中包括手绘图像，用户在触摸屏进行涂鸦也能够生成对应图像；再采用图像传感器采集图像，从而使得第一图像集中的图像类型更加丰富，更利于后续的图像分类。再输入第二图像分类模型中进行处理，以得到第一图像分类结果集。此时的第一图像分类结果集，理论上只能由第二图像分类模型或者第一图像分类模型以第一图像集作为输入得到。其中，由于采用了在触摸屏上手绘的方式，能够提高用户的体验感，以类似游戏的方式输入手绘图像。

进一步地，所述第一用户端通过在触摸屏上手绘和图像传感器采集的方式，以对应获取第三数量的图像和第四数量的图像，并将所述第三数量的图像和第四数量的图像构成第一图像集的步骤S7，包括：

S701、第一用户端通过在触摸屏上手绘的方式，以生成第三数量的手绘图像；

S702、第一用户端通过预先设置的图像传感器，进行图像采集处理，以生成第四数量的环境图像；

S703、第一用户端根据预设的图像增殖方法，利用所述第三数量的手绘图像和所述第四数量的环境图像，生成第七数量的增殖图像；

S704、第一用户端将所述第三数量的手绘图像、所述第四数量的环境图像和所述第七数量的增殖图像构成第一图像集。

本申请通过在触摸屏上手绘和图像传感器采集的方式，以对应获取第三数量的图像和第四数量的图像，得到的图像的数量较少，不利于最终的权限赋予的判定。因此，本申请利用了图像增殖方法进行图像增殖处理，以提高第一图像集中图像数量。这样的话，整体方案的权限判定的准确度就得到了提高。其中，由于本申请对于图像并没有过多限制，因此尤其适合进行图像增殖。而图像增殖方法可采用任意可行方法，例如采用图像拼接的方式以生成新的图像。

进一步地，所述第一用户端根据预设的图像增殖方法，利用所述第三数量的手绘图像和所述第四数量的环境图像，生成第七数量的增殖图像S703，包括：

S7031、第一用户端对所述第三数量的手绘图像进行图像分离处理，以得到多个第一分离部分；

S7032、第一用户端对所述第四数量的环境图像进行图像分离处理，以得到多个第二分离部分；

S7033、第一用户端对所述多个第一分离部分和所述多个第二分离部分进行组合处理，从而得到第七数量的增殖图像；其中，一张增殖图像由至少一个第一分离部分与至少一个第二分离部分组合而成。

本申请采用图像分离再组合的方式来进行图像增殖。由于手绘图像与环境图像有各自不同的特性，因此组合得到的增殖图像由至少一个第一分离部分与至少一个第二分离部分组合而成，能够得到新的不常见的图像。其中的图像分离处理方式，可采用任意可行方式，例如按区域进行分离，或者进行主背景分离。

如上述步骤S10-S14所述，云计算平台将所述第一图像集输入所述第一图像分类模型中进行处理，从而得到所述第一图像分类模型输出的第二图像分类结果集；云计算平台判断所述第一图像分类结果集与所述第二图像分类结果集是否相同；若所述第一图像分类结果集与所述第二图像分类结果集相同，则给予所述第一用户端暂时访问权限；云计算平台在第二时间窗口内，对所述第一参考模型进行第二次训练处理，以得到第二参考模型；其中，所述第二次训练处理的过程中采用第五数量的第二训练数据进行训练，所述第二训练数据由第二训练用图片和对所述第二训练用图片进行人工标注的第二训练标签构成，并且所述第二训练用图片与所述第二训练标签的对应关系是错误的；所述第二时间窗口的左边界在所述第一时间窗口的右边界的右侧；云计算平台将预设的第六数量的验证数据输入所述第二参考模型中进行处理，从而得到所述第二参考模型对应输出的第六数量的第二验证结果；所述第六数量的验证数据由第二验证用图片和对所述第二验证图片进行人工标注的第二验证标签构成，并且所述第二验证用图片与所述第二验证标签的对应关系是正确的；所述第六数量大于所述第五数量。

由于第一图像分类模型与第二图像分类模型具有相同的参数，因此第一图像分类模型输出的第二图像分类结果集理论上应当与第二图像分类模型输出的第一图像分类结果集相同。因此判断所述第一图像分类结果集与所述第二图像分类结果集是否相同，若所述第一图像分类结果集与所述第二图像分类结果集相同，表明第一图像集与第一图像分类结果集是匹配的(即第一图像分类结果集的确是在第一用户端上的第二图像分类模型对第一图像集进行分类而得到的)；反之，若所述第一图像分类结果集与所述第二图像分类结果集不同，则表明可能是信息窃取方意图窃取数据，这是因为不同的不准确图像分类模型对于同一输入的输出是不同的，只有相同的不准确图像分类模型对于同一输入的输出才是相同的。判断所述第一图像分类结果集与所述第二图像分类结果集是否相同可采用任意可行方法实现，例如进行依次对比两个分类结果集中的成果，若每个成员均相同，则判定所述第一图像分类结果集与所述第二图像分类结果集相同。

进一步地，云计算平台判断所述第一图像分类结果集与所述第二图像分类结果集是否相同的步骤，包括：

采用第一排序方法，对所述第一图像分类结果集与所述第二图像分类结果集分别进行排序处理，从而得到第一排序列表和第二排序列表；

将所述第一排序列表中第一位置的成员与所述第二排序列表中第一位置的成员进行对比处理，以得到第一对比结果；

判断所述第一对比结果是否为相同；

若所述第一对比结果为相同，则采用第二排序方法，对所述第一图像分类结果集与所述第二图像分类结果集分别进行排序处理，从而得到第三排序列表和第四排序列表；

将所述第三排序列表中第二位置的成员与所述第四排序列表中第二位置的成员进行对比处理，以得到第二对比结果；

判断所述第二对比结果是否为相同；

若所述第二对比结果为相同，则判定所述第一图像分类结果集与所述第二图像分类结果集相同。

从而以两次排序的方式实现了两个结果集是否相同的判断，而无需对所有成员依次进行对比。

若所述第一图像分类结果集与所述第二图像分类结果集相同，则给予所述第一用户端暂时访问权限。所述暂时访问权限可以任意可行形式设置，例如以一定时间内具有访问权限的方式给予暂时访问权限，或者以触发条件来限定暂时访问权限，所述触发条件例如为所述云计算平台与所述第一用户端断开通信连接。云计算平台在第二时间窗口内，对所述第一参考模型进行第二次训练处理，以得到第二参考模型；其中，所述第二次训练处理的过程中采用第五数量的第二训练数据进行训练，所述第二训练数据由第二训练用图片和对所述第二训练用图片进行人工标注的第二训练标签构成，并且所述第二训练用图片与所述第二训练标签的对应关系是错误的；所述第二时间窗口的左边界在所述第一时间窗口的右边界的右侧。第二次训练处理的第二时间窗口是与第一时间窗口不连续也不交叉，因此是开始了间隔式的第二段训练。再进行验证处理，从而得到所述第二参考模型对应输出的第六数量的第二验证结果，以作为第二次训练得到的模型是否可用的依据。

如上述步骤S15-S17所述，云计算平台判断所述第六数量的第二验证结果中验证通过的数量是否小于预设的通过数量阈值；若所述第六数量的第二验证结果中验证通过的数量小于预设的通过数量阈值，则提取所述第二参考模型中各个网络层的参数，并将所述第一图像分类模型的各个网络层的参数修改为所述第二参考模型中各个网络层的参数；云计算平台将所述第二参考模型中各个网络层的参数发送给第一用户端，从而实现云计算信息安全的改善。

若所述第六数量的第二验证结果中验证通过的数量小于预设的通过数量阈值，表明第二参考模型的参数可用，因此将所述第一图像分类模型的各个网络层的参数修改为所述第二参考模型中各个网络层的参数；将所述第二参考模型中各个网络层的参数发送给第一用户端。而所述第一用户端在暂时访问权限失效后，即可利用所述第一图像分类模型的各个网络层的参数进行再一次的权限申请。其中，所述暂时访问权限的失效时间点在所述云计算平台将所述第二参考模型中各个网络层的参数发送给第一用户端，从而实现云计算信息安全的改善的步骤之后。

进一步地，所述云计算平台将所述第二参考模型中各个网络层的参数发送给第一用户端，从而实现云计算信息安全的改善的步骤S17之后，包括：

S171、云计算平台判断所述第一用户端是否与所述云计算平台保持通信连接；

S172、若所述第一用户端未与所述云计算平台保持通信连接，则取消所述第一用户端的暂时访问权限；

S173、云计算平台判断所述第一用户端是否发起新的通信连接请求；

S174、若所述第一用户端发起新的通信连接请求，则要求所述第一用户端向所述云计算平台发送第二图像集和与所述第二图像集对应的分类结果集。

从而实时间断性地权限赋予，以保证信息安全。若所述第一用户端未与所述云计算平台保持通信连接，即通信中通，为了防止信息窃取方伪作为第一用户端以得到访问权限，因此取消所述第一用户端的暂时访问权限，并在新的通信连接请求发起时，再要求所述第一用户端向所述云计算平台发送第二图像集和与所述第二图像集对应的分类结果集，从而再次利用不准确的图像分类模型进行是否应当给予权限的判断。

本申请的基于间隔式训练的云计算信息安全的改善方法，进行第一次训练处理，以得到第一参考模型；得到第二数量的第一验证结果；若第一验证结果中验证通过的数量小于通过数量阈值，则将第一图像分类模型的各个网络层的参数进行修改；第一用户端进行参数修改，从而得到第二图像分类模型；通过在触摸屏上手绘和图像传感器采集的方式，构成第一图像集；输入第二图像分类模型中，得到输出的第一图像分类结果集；将第一图像集和第一图像分类结果集发送给云计算平台；第一图像分类模型对第一图像集进行处理，得到第二图像分类结果集；若第一图像分类结果集与第二图像分类结果集相同，则给予暂时访问权限；进行第二次训练处理，以得到第二参考模型；得到第二验证结果；若验证通过的数量小于通过数量阈值，则进行参数修改；将各个网络层的参数发送给第一用户端。

本申请实施例提供一种基于间隔式训练的云计算信息安全的改善系统，包括：

第一次训练单元，用于指示云计算平台在第一时间窗口内，对预设的神经网络模型进行第一次训练处理，以得到第一参考模型；其中，所述第一次训练处理的过程中采用第一数量的第一训练数据进行训练，所述第一训练数据由第一训练用图片和对所述第一训练用图片进行人工标注的第一训练标签构成，并且所述第一训练用图片与所述第一训练标签的对应关系是错误的；

第一验证结果获取单元，用于指示云计算平台将预设的第二数量的验证数据输入所述第一参考模型中进行处理，从而得到所述第一参考模型对应输出的第二数量的第一验证结果；所述第二数量的验证数据由第一验证用图片和对所述第一验证图片进行人工标注的第一验证标签构成，并且所述第一验证用图片与所述第一验证标签的对应关系是正确的；所述第二数量大于所述第一数量；

第一验证结果判断单元，用于指示云计算平台判断所述第二数量的第一验证结果中验证通过的数量是否小于预设的通过数量阈值；

第一参数修改单元，用于指示若所述第二数量的第一验证结果中验证通过的数量小于预设的通过数量阈值，则提取所述第一参考模型中各个网络层的参数，并将预设的第一图像分类模型的各个网络层的参数修改为所述第一参考模型中各个网络层的参数；

第一参考模型参数发送单元，用于指示云计算平台将所述第一参考模型中各个网络层的参数发送给第一用户端；

第二图像分类模型获取单元，用于指示第一用户端将预设的神经网络模型的各个网络层的参数修改为所述第一参考模型中各个网络层的参数，从而得到第二图像分类模型；

第一图像集获取单元，用于指示第一用户端通过在触摸屏上手绘和图像传感器采集的方式，以对应获取第三数量的图像和第四数量的图像，并将所述第三数量的图像和第四数量的图像构成第一图像集；

第一图像分类结果集获取单元，用于指示第一用户端将所述第一图像集输入所述第二图像分类模型中进行处理，从而得到所述第二图像分类模型输出的第一图像分类结果集；

第一图像分类结果集发送单元，用于指示第一用户端将所述第一图像集和所述第一图像分类结果集发送给所述云计算平台；

第二图像分类结果集获取单元，用于指示云计算平台将所述第一图像集输入所述第一图像分类模型中进行处理，从而得到所述第一图像分类模型输出的第二图像分类结果集；

图像分类结果集判断单元，用于指示云计算平台判断所述第一图像分类结果集与所述第二图像分类结果集是否相同；

暂时访问权限给予单元，用于指示若所述第一图像分类结果集与所述第二图像分类结果集相同，则给予所述第一用户端暂时访问权限；

第二次训练单元，用于指示云计算平台在第二时间窗口内，对所述第一参考模型进行第二次训练处理，以得到第二参考模型；其中，所述第二次训练处理的过程中采用第五数量的第二训练数据进行训练，所述第二训练数据由第二训练用图片和对所述第二训练用图片进行人工标注的第二训练标签构成，并且所述第二训练用图片与所述第二训练标签的对应关系是错误的；所述第二时间窗口的左边界在所述第一时间窗口的右边界的右侧；

第二验证结果获取单元，用于指示云计算平台将预设的第六数量的验证数据输入所述第二参考模型中进行处理，从而得到所述第二参考模型对应输出的第六数量的第二验证结果；所述第六数量的验证数据由第二验证用图片和对所述第二验证图片进行人工标注的第二验证标签构成，并且所述第二验证用图片与所述第二验证标签的对应关系是正确的；所述第六数量大于所述第五数量；

第二验证结果判断单元，用于指示云计算平台判断所述第六数量的第二验证结果中验证通过的数量是否小于预设的通过数量阈值；

第二参数修改单元，用于指示若所述第六数量的第二验证结果中验证通过的数量小于预设的通过数量阈值，则提取所述第二参考模型中各个网络层的参数，并将所述第一图像分类模型的各个网络层的参数修改为所述第二参考模型中各个网络层的参数；

第二参考模型参数发送单元，用于指示云计算平台将所述第二参考模型中各个网络层的参数发送给第一用户端，从而实现云计算信息安全的改善。

其中上述单元分别用于执行的操作与前述实施方式的基于间隔式训练的云计算信息安全的改善方法的步骤一一对应,在此不再赘述。

本申请的基于间隔式训练的云计算信息安全的改善系统，进行第一次训练处理，以得到第一参考模型；得到第二数量的第一验证结果；若第一验证结果中验证通过的数量小于通过数量阈值，则将第一图像分类模型的各个网络层的参数进行修改；第一用户端进行参数修改，从而得到第二图像分类模型；通过在触摸屏上手绘和图像传感器采集的方式，构成第一图像集；输入第二图像分类模型中，得到输出的第一图像分类结果集；将第一图像集和第一图像分类结果集发送给云计算平台；第一图像分类模型对第一图像集进行处理，得到第二图像分类结果集；若第一图像分类结果集与第二图像分类结果集相同，则给予暂时访问权限；进行第二次训练处理，以得到第二参考模型；得到第二验证结果；若验证通过的数量小于通过数量阈值，则进行参数修改；将各个网络层的参数发送给第一用户端。

参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于间隔式训练的云计算信息安全的改善方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于间隔式训练的云计算信息安全的改善方法。

上述处理器执行上述基于间隔式训练的云计算信息安全的改善方法，其中所述方法包括的步骤分别与执行前述实施方式的基于间隔式训练的云计算信息安全的改善方法的步骤一一对应,在此不再赘述。

本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本申请的计算机设备，进行第一次训练处理，以得到第一参考模型；得到第二数量的第一验证结果；若第一验证结果中验证通过的数量小于通过数量阈值，则将第一图像分类模型的各个网络层的参数进行修改；第一用户端进行参数修改，从而得到第二图像分类模型；通过在触摸屏上手绘和图像传感器采集的方式，构成第一图像集；输入第二图像分类模型中，得到输出的第一图像分类结果集；将第一图像集和第一图像分类结果集发送给云计算平台；第一图像分类模型对第一图像集进行处理，得到第二图像分类结果集；若第一图像分类结果集与第二图像分类结果集相同，则给予暂时访问权限；进行第二次训练处理，以得到第二参考模型；得到第二验证结果；若验证通过的数量小于通过数量阈值，则进行参数修改；将各个网络层的参数发送给第一用户端。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于间隔式训练的云计算信息安全的改善方法，其中所述方法包括的步骤分别与执行前述实施方式的基于间隔式训练的云计算信息安全的改善方法的步骤一一对应,在此不再赘述。

本申请的计算机可读存储介质，进行第一次训练处理，以得到第一参考模型；得到第二数量的第一验证结果；若第一验证结果中验证通过的数量小于通过数量阈值，则将第一图像分类模型的各个网络层的参数进行修改；第一用户端进行参数修改，从而得到第二图像分类模型；通过在触摸屏上手绘和图像传感器采集的方式，构成第一图像集；输入第二图像分类模型中，得到输出的第一图像分类结果集；将第一图像集和第一图像分类结果集发送给云计算平台；第一图像分类模型对第一图像集进行处理，得到第二图像分类结果集；若第一图像分类结果集与第二图像分类结果集相同，则给予暂时访问权限；进行第二次训练处理，以得到第二参考模型；得到第二验证结果；若验证通过的数量小于通过数量阈值，则进行参数修改；将各个网络层的参数发送给第一用户端。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序或指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、系统、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、系统、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、系统、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。