生物智能启发的数据流安全存储与实时计算
发布时间：2021-06-19 08:41
信息科学的快速发展显著提升了社会生产和生活的智能化水平,其核心是对实时数据的全面采集、安全存储和高效计算。由于数据采集过程的连续性,获得的数据量不断增加,通常需要借助于云计算技术完成存储。从时序角度来看,大量的数据样本汇聚形成了数据流,而数据流中蕴含的信息具有时效性,其价值会随着时间的推移而不断降低。因此,本文分别从云端存储的安全性和计算的时效性两方面研究数据流的相关理论和技术。受免疫系统、记忆系统等生物机理的启发,研究针对不同场景下数值异常问题的新型解决方法。本论文的主要工作可以概括为以下几个方面:（1）模拟生物免疫系统的机体防御机理,结合云端存储的分布式特性,提出了一种改进的动态免疫算法IDIA（Improved Dynamic Immune Algorithms）和基于免疫记忆机制的数据样本高效分层检索策略。在抗体生成和动态更新的过程中,分别提出了移位变异和随机分组等改进策略,提升IDIA的抗体生成效率和动态环境的自适应能力。针对云端数据存储问题,以分布式主从结构HDFS（Hadoop Distributed File System）为基础,分析了传统云端数据安全防御方法中存在的...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
工业智联网的内生价值挖掘[22]
第一章绪论10多模式的新型生产格局，本文从神经生物学角度分析了大脑皮层对复杂信息的处理方式，模拟了大脑皮层中神经元的稀疏离散特征，建立了一种无需预处理的无监督实时数据流异常检测方法。同时，提出了一种面向区分显式异常和隐式异常的决策矩阵方法，该方法不但能够及时捕获外部干扰也能及时发现内部的生产需求变化。通过模拟类脑的时序记忆机制，进一步构建了一种在少样本情形下依旧可以工作的快速自适应学习方法，以适应复杂多变的生产环境。最后，结合实际流程工业生产过程，设计了一种面向多模式生产需求的异常数据流实时监测与自适应学习系统。1.4章节安排本论文的章节结构安排如图1-2所示：图1-2本文篇章结构第一章总领全文，介绍了本论文的研究背景和研究意义，综述了云端数据的安全存储和实时数据流的高效计算问题，剖析了现有方法中存在的问题，叙述了本论文的研究内容和主要创新点，并给出了全文的篇章结构。第二章主要介绍了与本论文研究内容相关的技术基础，其中包括了云计算技术以及基于Hadoop的分布式文件系统（HDFS）在云端的数据存储模式，也包括了对相关生物机理的介绍，如生物免疫系统和类脑记忆系统。生物免疫系统主要用于构建数据的安全存储模型，而生物记忆系统将通过对分层记忆机制和时序记忆机制进行
DataNode负责文件数据的存储和读写操作，HDFS将文件数据分割成若干个数据块，每个 DataNode 存储一部分数据块，通过这种方式使得文件能够分布式存储在整个HDFS 服务器集群中。 2.2.3 数据流 数据流是大数据治理过程中的重要方面之一，是一种具有强时序特征的数据形式，与传统的静态数据相比具有连续性、无序性、无界性以及实时性等特点[93]。图2-3 展示了大数据、时间序列数据以及数据流之间的包含关系。
【参考文献】：
期刊论文
[1]工业智联网:基本概念、关键技术与核心应用[J]. 王飞跃,张军,张俊,王晓. 自动化学报. 2018(09)
[2]智联网:概念、问题和平台[J]. 王飞跃,张俊. 自动化学报. 2017(12)
[3]过程工业大数据建模研究展望[J]. 刘强,秦泗钊. 自动化学报. 2016(02)
[4]大数据分析中的计算智能研究现状与展望[J]. 郭平,王可,罗阿理,薛明志. 软件学报. 2015(11)
[5]具有回忆和遗忘机制的数据流挖掘模型与算法[J]. 赵强利,蒋艳凰,卢宇彤. 软件学报. 2015(10)
[6]云控制系统及其面临的挑战[J]. 夏元清. 自动化学报. 2016(01)
[7]Water Supply Networks as Cyber-physical Systems and Controllability Analysis[J]. Yongsong Wei,Shaoyuan Li. IEEE/CAA Journal of Automatica Sinica. 2015(03)
[8]云数据安全存储技术[J]. 冯朝胜,秦志光,袁丁. 计算机学报. 2015(01)
[9]云计算下的数据存储安全可证明性综述[J]. 梁彪,曹宇佶,秦中元,张群芳. 计算机应用研究. 2012(07)
[10]云环境中支持隐私保护的可计算加密方法[J]. 黄汝维,桂小林,余思,庄威. 计算机学报. 2011(12)
本文编号：3237489
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
工业智联网的内生价值挖掘[22]
第一章绪论10多模式的新型生产格局，本文从神经生物学角度分析了大脑皮层对复杂信息的处理方式，模拟了大脑皮层中神经元的稀疏离散特征，建立了一种无需预处理的无监督实时数据流异常检测方法。同时，提出了一种面向区分显式异常和隐式异常的决策矩阵方法，该方法不但能够及时捕获外部干扰也能及时发现内部的生产需求变化。通过模拟类脑的时序记忆机制，进一步构建了一种在少样本情形下依旧可以工作的快速自适应学习方法，以适应复杂多变的生产环境。最后，结合实际流程工业生产过程，设计了一种面向多模式生产需求的异常数据流实时监测与自适应学习系统。1.4章节安排本论文的章节结构安排如图1-2所示：图1-2本文篇章结构第一章总领全文，介绍了本论文的研究背景和研究意义，综述了云端数据的安全存储和实时数据流的高效计算问题，剖析了现有方法中存在的问题，叙述了本论文的研究内容和主要创新点，并给出了全文的篇章结构。第二章主要介绍了与本论文研究内容相关的技术基础，其中包括了云计算技术以及基于Hadoop的分布式文件系统（HDFS）在云端的数据存储模式，也包括了对相关生物机理的介绍，如生物免疫系统和类脑记忆系统。生物免疫系统主要用于构建数据的安全存储模型，而生物记忆系统将通过对分层记忆机制和时序记忆机制进行
DataNode负责文件数据的存储和读写操作，HDFS将文件数据分割成若干个数据块，每个 DataNode 存储一部分数据块，通过这种方式使得文件能够分布式存储在整个HDFS 服务器集群中。 2.2.3 数据流 数据流是大数据治理过程中的重要方面之一，是一种具有强时序特征的数据形式，与传统的静态数据相比具有连续性、无序性、无界性以及实时性等特点[93]。图2-3 展示了大数据、时间序列数据以及数据流之间的包含关系。
【参考文献】：
期刊论文
[1]工业智联网:基本概念、关键技术与核心应用[J]. 王飞跃,张军,张俊,王晓. 自动化学报. 2018(09)
[2]智联网:概念、问题和平台[J]. 王飞跃,张俊. 自动化学报. 2017(12)
[3]过程工业大数据建模研究展望[J]. 刘强,秦泗钊. 自动化学报. 2016(02)
[4]大数据分析中的计算智能研究现状与展望[J]. 郭平,王可,罗阿理,薛明志. 软件学报. 2015(11)
[5]具有回忆和遗忘机制的数据流挖掘模型与算法[J]. 赵强利,蒋艳凰,卢宇彤. 软件学报. 2015(10)
[6]云控制系统及其面临的挑战[J]. 夏元清. 自动化学报. 2016(01)
[7]Water Supply Networks as Cyber-physical Systems and Controllability Analysis[J]. Yongsong Wei,Shaoyuan Li. IEEE/CAA Journal of Automatica Sinica. 2015(03)
[8]云数据安全存储技术[J]. 冯朝胜,秦志光,袁丁. 计算机学报. 2015(01)
[9]云计算下的数据存储安全可证明性综述[J]. 梁彪,曹宇佶,秦中元,张群芳. 计算机应用研究. 2012(07)
[10]云环境中支持隐私保护的可计算加密方法[J]. 黄汝维,桂小林,余思,庄威. 计算机学报. 2011(12)
本文编号：3237489
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3237489.html
