(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211029286.7 (22)申请日 2022.08.25 (71)申请人 东南大学 地址 211189 江苏省南京市江宁区东 南大 学路2号 (72)发明人 赵祥伟　毕昆　赖鑫　陆祖宏　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 冒艳 (51)Int.Cl. G16B 50/50(2019.01) G06F 16/174(2019.01) G06F 16/16(2019.01) G06K 9/62(2022.01) G06N 20/00(2019.01)G06F 40/151(2020.01) G06F 11/10(2006.01) (54)发明名称 一种基于分类算法的DNA数据存储动态压缩 方法 (57)摘要 本发明公开了一种基于分类算法的DNA数据 存储动态压缩方法， 包括： 1)选择需要存储的文 件； 2)选择分类器， 对选择的文件进行分类处理； 3)按照分类结果对每种文件使用压缩算法； 4)将 压缩后的文件数据单独进行碱基转换； 5)把文件 的名称和转换后的碱基个数保存成单独的碱基 序列， 作为文件目录； 6)将文件碱基序列及文件 目录信息拼接成长的碱基序列； 7)将拼接后的长 碱基序列划分为若干等长序列， 添加地址码， 纠 错码； 8)还原文件时， 读取文件目录信息， 按需还 原， 得到输入文件。 本方法提高了DNA数据存储中 数据压缩率， 可以根据文件的性质选择压缩算 法， 从而达 到提高文 件数据压缩率的目的。 权利要求书2页 说明书5页 附图2页 CN 115472232 A 2022.12.13 CN 115472232 A 1.一种基于分类算法的DNA数据存 储动态压缩方法， 其特 征在于： 包括如下步骤： I.选择需要存 储的a个文件， 根据需要选择任意类型及大小的文件， 数量 不限； II.选择机器学习分类 器， 对选择的文件根据文件类型及大小 进行分类处 理； 其训练流 程包括如下步骤： 1)获取训练使用的t个文件数据， 包 含一种或者多种类型， 任意大小的文件； 2)对获取的文件进行压缩处 理， 使用d种压缩算法对每 个文件都进行 单独压缩处 理； 3)将每个文件用d种压缩算法压缩后的结果进行比较， 对于每个文件使用d种压缩算法 得到的d个压缩数据D1，…， Dd， 选择min{D1，…， Dd}， 得到压缩比最高的一种算法； 4)将文件类型， 文件大小及所使用压缩比最高的压缩算法保存成向量形式， 其中文件 类型为字符串形式， 文件大小为整数范围0＜size≤∞， 压缩算法为字符串形式， 作为数据 集； 5)利用转换编码 将文件类型由字符串转换成数字形式的向量； 6)利用数据标准 化方式， 将文件大小转换成一定范围0＜size＜j的数据； 7)把数据集按照m： n分成训练集和 测试集两 部分， 其中， 0.5≤m≤1， 0 ≤n≤0.5， m+n＝1， 8)使用机器学习的分类算法对训练集进行训练， 利用测试数据对分类器的效果进行验 证； 9)保存训练好的模型， 其分类流 程包括如下步骤： 1)将待分类的文件信息保存成向量形式， 文件类型， 文件大小， 其中文件类型为字符串 形式， 文件大小为整数 范围0＜size≤∞， 2)利用转换编码 将文件类型由字符串转换成数字形式的向量； 3)利用数据标准 化方式， 将文件大小转换成一定范围0＜size＜j的数据； 4)调用训练好的分类 器文件； 5)得到文件 的分类结果， 分类结果共有s种， 其中0≤s≤d， 其中d为使用的压缩算法种 类， III.对分类完的文件， 按照分类结果{S1， S2，…， Ss}对每种类别中的文件使用类别对应 的压缩算法， Si使用di对应的压缩算法， 其中Si至多包含a个文件， IV.将压缩后的每个文件ai数据单独进行碱基序列转换， 即把文件的二进制序列转换成 碱基序列， 得到e 条碱基序列， 其中e＝a， V.将a个文件的基本信息及转换后的碱基个数保存成一个单独的碱基序列， 碱基个数 为ai文件数据转 换成的碱基序列ei所包含的碱基个数， 形成一个文件信息目录， 并在文件目 录前后添加一段 标志序列， VI.将所有 文件碱基序列及文件目录信息拼接成一个长的碱基序列， VII.根据DNA合成长度的要求， 将拼接后的长碱基序列划分为L条长度为h序列， 在每条 序列Li前添加地址码， 地址码按照递增顺序排列， 其 范围为0≤addre ss≤L， 在序列Li末尾添 加r位纠错码； VIII.数据还原时， 根据碱基测序的结果， 按照 每条碱基序列的地址码对序列进行排序 处理， 并根据每条序列中的纠错码对序列的可能出现的错 误进行处 理；权　利　要　求　书 1/2 页 2 CN 115472232 A 2IX.完成排序后的序列， 按照顺序去除地址码和纠错码后， 将L条序列按照地址码顺序 拼接成长的碱基序列； X.根据设置的标志序列， 读取碱基序列的文件目录部分， 根据目录中的碱基个数信息 按需还原， 得到 输入文件。 2.根据权利要求1所述的基于分类算法的DNA数据存储动态压缩方法， 其特征在于， 所 述步骤II、 III、 IV中， 构建了对于待存储文件 先进行分类再压缩的数据处理流程， 文件与文 件之间单独压缩后按照DNA存 储的碱基转换规则将数据转换成碱基序列。 3.根据权利要求1所述的基于分类算法的DNA数据存储动态压缩方法， 其特征在于， 所 述步骤II中， 所使用的压缩算法包括BZIP2、 DEFLATE、 PPMD， 所使用的分类算法可以使用任 意的机器学习分类算法， 包括监督学习、 半监督学习、 无监督学习， 例如K近邻、 决策树、 随机 森林、 梯度提升、 自适应增强、 朴素贝叶斯、 支持向量机 。 4.根据权利要求1所述的基于分类算法的DNA数据存储动态压缩方法， 其特征在于， 所 述步骤V、 VI中， 所述碱基序列结构为： 文件目录由a个文件的信息构成， 按 文件读入顺序排列： (文件名1， 文件1碱基个数)+(文件名2， 文件2碱基个数)+...+(文件名a， 文件a碱基个 数)， 在文件目录后按目录中的文件顺序排列各个文件的碱基序列： 文件目录 碱基序列+文件1碱基序列+文件2碱基序列+. ..+文件a碱基序列。 5.根据权利要求1所述的基于分类算法的DNA数据存储动态压缩方法， 其特征在于， 所 述步骤VIII中， 按需还原的寻址方式为： 首先计算所需还原文件前的包含的碱基总数， 得到 所需还原文件的开始位置位置， 结合文件目录中的该文件碱基个数， 可得到该文件在长碱 基序列中的位置， 读取 该部分碱基序列即可完成按需还原。权　利　要　求　书 2/2 页 3 CN 115472232 A 3