雾辅助的隐私保护数据收集与智能计算迁移研究
发布时间：2021-11-14 10:00
城市智能化的持续、高速发展,无线传感设备被大量部署,从而使感知数据获得了爆炸式地增长。与此同时,由于物联网的部署环境复杂,因此针对数据收集方案仍然面临安全威胁。传统的物联网已经不能满足海量数据处理和管理的要求。因此,针对延时敏感型和计算密集型任务,如何在保证数据安全的前提下高效率地收集数据,从而达到安全、高效的数据收集以及计算任务处理的目标已经成为了研究热点。本文针对当前数据收集方案在探索空时相关性、观测矩阵的优化、数据隐私保护以及计算迁移等方面存在的突出问题,主要的创新性贡献包括如下三个方面:1)雾辅助的感知大数据高效隐私保护数据收集研究:针对当前数据收集所存在的效率低下问题,本文的设计了一个分层感知雾计算体系结构为探索数据之间的时空相关性提供了有效支持,该雾计算辅助的网络体系避免了本地设备与云中心进行远程通信,从而降低了网络开销与通信成本和延时;其次,提出了一种采样扰动加密方法,使得在不牺牲数据相关性的前提下,保护了数据的隐私,使得窃听者和主动攻击者无法获得原始采样数据,该方法对加密采样数据的解密和解压缩操作的同时执行提供了支撑;构建的观测矩阵优化模型,通过降低观测矩阵与字典的互相...
【文章来源】：南京邮电大学江苏省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
稀疏表示
南京邮电大学专业学位硕士研究生学位论文第二章相关背景知识介绍9都不是部署在身边的，遥不可及；而雾计算却现实可及，就像雾气一样，相对于云计算来说，更加地贴近人们身边。雾计算是由数量众多但是性能相对较弱的计算设备组成，由于性能较弱导致每个雾计算设备的成本降低，所以可以进行大量且广泛地部署，从而可以在城市各个角落如电器、街灯、汽车、及人们生活中的各类用品中部署。具体的雾计算网络模型如图2.2所示。图2.2雾计算网络结构在这种新型的模式中数据、对数据的处理以及应用程序这三项均可以被集成在网络边缘的设备之中，这种网络模型有效地缓解了云服务器中数据存储与计算的压力，同时针对延时敏感型的任务也有更好的效果，是云计算（CloudComputing）的延伸概念。2.2.2雾计算的特点对云计算概念的延伸就是雾计算的大致概念，雾计算的概念是为了解决了云计算所存在的不足而被提出的。除此之外，雾计算中的节点主要利用了部署在边缘网络中的设备（如智能手机、路由器以及一些传感器等），由于这些设备之间的距离往往较近，因此数据传递具有极低的时延。同时，雾计算还具有分布较为广泛这一特点，因此可以实时地监控大规模地区域。雾计算移动性好，诸如一部智能手机也可以作为一个雾节点与其他雾计算设备进行通信，避免了长距离通信，支持很高的移动性。由于雾计算并非是由性能强大的服务器组成，而是由数量众多且更加分散的、性能比较羸弱的各种功能计算节点组成的。雾计算是介于云计算和个人计算之间的，是半虚拟化的服务计算架构模型，强调数量，不管单个计算节点能力多么弱都可以发挥作用。与云计算相比，雾计算所采用的架构更呈分布式，更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中，而不像云计
南京邮电大学专业学位硕士研究生学位论文第二章相关背景知识介绍12（2-9）其中。2.4.3无监督学习无监督学习的输入数据没有被标记，也没有确定的结果。样本数据类别未知，需要根据样本间的相似性对样本集进行分类（聚类，Clustering）试图使类内差距最小化，类间差距最大化。通俗点将就是实际应用中，不少情况下无法预先知道样本的标签，也就是说没有训练样本对应的类别，因而只能从原先没有样本标签的样本集开始学习分类器设计。无监督学习目标不是告诉计算机怎么做，而是让它（计算机）自己去学习怎样做事情。即，在指导智能体（Agent）时不为其指定明确分类，而是在成功时，采用某种形式的激励制度。需要注意的是，这类训练通常会置于决策问题的框架里，因为它的目标不是为了产生一个分类系统，而是做出最大回报的决定，这种思路很好的概括了现实世界，智能体可以对正确的行为做出激励，而对错误行为做出惩罚。2.4.4神经网络神经网络是一组粗略模仿人类大脑，用于模式识别的算法。神经网络这个术语来源于这些系统架构设计背后的灵感，这些系统是用于模拟生物大脑自身神经网络的基本结构，以便计算机能够执行特定的任务。具体的神经网络结构如图2.3所示。图2.3深度神经网络结构神经元分为三种不同类型的层次：输入层的主要作用是接收输入数据；隐藏层的作用是(,(,))log(),yLfxy=-fx()0,()1yiifx3fx=
本文编号：3494433
【文章来源】：南京邮电大学江苏省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
稀疏表示
南京邮电大学专业学位硕士研究生学位论文第二章相关背景知识介绍9都不是部署在身边的，遥不可及；而雾计算却现实可及，就像雾气一样，相对于云计算来说，更加地贴近人们身边。雾计算是由数量众多但是性能相对较弱的计算设备组成，由于性能较弱导致每个雾计算设备的成本降低，所以可以进行大量且广泛地部署，从而可以在城市各个角落如电器、街灯、汽车、及人们生活中的各类用品中部署。具体的雾计算网络模型如图2.2所示。图2.2雾计算网络结构在这种新型的模式中数据、对数据的处理以及应用程序这三项均可以被集成在网络边缘的设备之中，这种网络模型有效地缓解了云服务器中数据存储与计算的压力，同时针对延时敏感型的任务也有更好的效果，是云计算（CloudComputing）的延伸概念。2.2.2雾计算的特点对云计算概念的延伸就是雾计算的大致概念，雾计算的概念是为了解决了云计算所存在的不足而被提出的。除此之外，雾计算中的节点主要利用了部署在边缘网络中的设备（如智能手机、路由器以及一些传感器等），由于这些设备之间的距离往往较近，因此数据传递具有极低的时延。同时，雾计算还具有分布较为广泛这一特点，因此可以实时地监控大规模地区域。雾计算移动性好，诸如一部智能手机也可以作为一个雾节点与其他雾计算设备进行通信，避免了长距离通信，支持很高的移动性。由于雾计算并非是由性能强大的服务器组成，而是由数量众多且更加分散的、性能比较羸弱的各种功能计算节点组成的。雾计算是介于云计算和个人计算之间的，是半虚拟化的服务计算架构模型，强调数量，不管单个计算节点能力多么弱都可以发挥作用。与云计算相比，雾计算所采用的架构更呈分布式，更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中，而不像云计
南京邮电大学专业学位硕士研究生学位论文第二章相关背景知识介绍12（2-9）其中。2.4.3无监督学习无监督学习的输入数据没有被标记，也没有确定的结果。样本数据类别未知，需要根据样本间的相似性对样本集进行分类（聚类，Clustering）试图使类内差距最小化，类间差距最大化。通俗点将就是实际应用中，不少情况下无法预先知道样本的标签，也就是说没有训练样本对应的类别，因而只能从原先没有样本标签的样本集开始学习分类器设计。无监督学习目标不是告诉计算机怎么做，而是让它（计算机）自己去学习怎样做事情。即，在指导智能体（Agent）时不为其指定明确分类，而是在成功时，采用某种形式的激励制度。需要注意的是，这类训练通常会置于决策问题的框架里，因为它的目标不是为了产生一个分类系统，而是做出最大回报的决定，这种思路很好的概括了现实世界，智能体可以对正确的行为做出激励，而对错误行为做出惩罚。2.4.4神经网络神经网络是一组粗略模仿人类大脑，用于模式识别的算法。神经网络这个术语来源于这些系统架构设计背后的灵感，这些系统是用于模拟生物大脑自身神经网络的基本结构，以便计算机能够执行特定的任务。具体的神经网络结构如图2.3所示。图2.3深度神经网络结构神经元分为三种不同类型的层次：输入层的主要作用是接收输入数据；隐藏层的作用是(,(,))log(),yLfxy=-fx()0,()1yiifx3fx=
本文编号：3494433
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3494433.html
