密钥共享下跨用户密文数据去重挖掘方法

发布时间：2021-08-07 11:23

　　针对当前密文数据去重挖掘方法存在去重效果较差、特征聚合能力低的问题,提出一种密钥共享下跨用户密文数据去重挖掘方法.结合非线性统计序列分析方法对密钥共享下跨用户密文数据的统计特征进行采样,通过识别不同领域的统计特征进行密文数据的线性编码设计,抽取密钥共享下跨用户密文数据的平均互信息特征量.采用匹配滤波方法实现密钥共享下跨用户密文数据的去重处理.仿真结果表明,采用该方法的去重效果较好,特征聚合能力较强. 

【文章来源】：沈阳工业大学学报. 2020,42(02)北大核心

【文章页数】：5 页

【部分图文】：

密文数据分布时域波形

图1 密文数据分布时域波形由图2可以看出，特征重构后的密文数据波形幅度较为一致，边缘离散数据与图1相比改善效果明显．尺度系数为0.2时，密文数据特征重构的效果更好，但从波形范围来说，仍具有多样特征重合的特性，数据去重不够准确，因此选用尺度系数为0.4的密文数据特征重构结果与粒子群去重挖掘方法及K均值去重挖掘方法进行对比分析，得到的输出结果如图3所示．

由图4可以看出，采用本文方法数据较为聚拢，数据簇没有出现离散数据点;粒子群去重挖掘方法数据簇出现少量离散点;K均值去重挖掘方法数据簇中出现了大量离散点，由此可以看出所提方法比其他两种算法的数据聚合能力强．图4 数据聚合能力对比

【参考文献】：
期刊论文
[1]一种带权的混合数据聚类个数确定算法[J]. 李顺勇,张苗苗.  计算机应用与软件. 2019(01)
[2]基于改进极端随机树的异常网络流量分类[J]. 韦海宇,王勇,柯文龙,俸皓.  计算机工程. 2018(11)
[3]基于核函数的高维离散数据聚类算法研究与应用[J]. 叶福兰.  长春工程学院学报(自然科学版). 2018(03)
[4]基于多变量LSTM的工业传感器时序数据预测[J]. 易利容,王绍宇,殷丽丽,杨青,顾欣.  智能计算机与应用. 2018(05)
[5]面向新闻文本的分类方法的比较研究[J]. 刘测,韩家新.  智能计算机与应用. 2018(05)
[6]基于用户社交网络分析的高校图书馆主题多样性阅读推荐[J]. 柳益君,何胜,吴智勤,赵小荣,习海旭.  图书情报工作. 2018(08)
[7]社交网络环境下基于用户行为分析的个性化推荐服务研究[J]. 王刚,郭雪梅.  情报理论与实践. 2018(08)
[8]大数据相似性连接查询技术研究进展[J]. 马友忠,张智辉,林春杰.  计算机应用. 2018(04)
[9]基于离散马尔科夫链的数据库用户异常行为检测[J]. 毕猛,王安迪,徐剑,周福才.  沈阳工业大学学报. 2018(01)
[10]面向位置大数据的快速密度聚类算法[J]. 于彦伟,贾召飞,曹磊,赵金东,刘兆伟,刘惊雷.  软件学报. 2018(08)



本文编号：3327710