移动互联网中数据服务的关键技术研究

发布时间：2021-11-02 00:58

　　移动互联网中的数据服务,一方面需要高效的数据处理模型为数据服务提供支持,另一方面需要一定的计算资源为数据安全服务提供保障。本论文主要对移动互联网中数据个性化服务、数据隐私护及安全数据共享等关键技术展开研究,进一步完善现有的数据分析和处理方法,并通过有效的用户隐私保护机制,实现移动互联网中数据细粒度的访问控制,促进移动移动互联网中数据的共享,为改善基于移动互联网的各种服务应用提供技术支撑。在数据个性化服务方面,移动互联网数据不仅规模日趋庞大,而且具有模式多样、关联复杂、可信度不定等特征。模式多样使得数据内容不易被理解,关联复杂使得数据难以被有效识别,可信度不定使得难以判断数据真伪,这样的数据特征,使得数据的个性化服务面临新的挑战。本文利用用户数据间的个体差异,分别针对智能手机前端传感器数据、后台服务器日志数据、社会网络中的多媒体数据,提出了三种预测模型,为个性化服务提供支撑。其中,第一个模型提出了一种利用智能手机应用程序响应时间的差异来预测性别信息的新方法,第二个模型利用智能手机应用访问网络资源的日志数据预测用户的性别、年龄及手机级别,将智能手机应用程序日志中的条目与其主题类别进行匹配,... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：123 页

【学位级别】：博士

【部分图文】：

不同性别的响应时间分布

第三章 基于移动用户数据的个性化服务推荐如图 3-3 所示，数据集中的应用程序被标记为六个类，横轴的用户数量，纵轴是指此类应用程序的数目。例如，在数序，仅有 2 名志愿者安装，其中包括 37 个（65.46%）用户个（34.54%）预装应用程序。在本文的方法中，本文主要使生成的数据流进行预测，并比较不同应用程序类的预测结

如图 3-3 所示，数据集中的应用程序被标记为六个类，横轴的用户数量，纵轴是指此类应用程序的数目。例如，在数程序，仅有 2 名志愿者安装，其中包括 37 个（65.46%）用户 个（34.54%）预装应用程序。在本文的方法中，本文主要使生成的数据流进行预测，并比较不同应用程序类的预测结果图 3-2 用户的应用程序分布


本文编号：3471028