新型网络环境下的数据安全与隐私保护关键技术研究
发布时间：2021-08-15 00:08
新型网络环境在云计算（Cloud Computing）等新型计算模式的推动下快速发展,并成为各类产业应用的关键基础设施。具体而言,海量数据不断地从物联网终端聚集到云服务器,推动了基于云的应用研究和部署。比如,数据传输、数据聚合与发布、数据查询等。为了提高云计算的性能,在终端用户和云服务器之间加入雾节点也成为现代网络的另一个发展趋势。然而,在享受新型网络环境所带来便利的同时,海量数据的安全和隐私问题日益成为学术界和产业界关注的焦点。诸多相关研究问题和挑战也有待解决。首先,作为新型网络环境中的基本服务,安全数据传输正面临诸多挑战。例如,越来越多的企事业单位选择将网络功能虚拟化,并由云服务器来提供数据包的检测和转发功能。但是,如何在保护用户数据隐私的前提下提供高效且多样化的数据包检测功能仍需要进一步研究。此外,为了给医疗和研究机构提供更好的医疗数据聚合与发布服务,越来越多的机构选择引入云数据中心。但是,当前方案的功能性和隐私保护水平都有待提高。其中,加权加法聚合、非加法聚合等功能在现有方案中并未得到很好的支持。总之,如何在数据聚合协议的执行过程中更好的保护用户数据的隐私,是一个重要且具有挑战...
【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】：129 页
【学位级别】：博士
【部分图文】：
研究内容框架
Guttman 等人[62]首次提出数据结构 R 树。它是基于二叉树的多维数据结构，被广泛用于不同类型的空间数据查询和搜索中。构建 R 树的基本思想是在同一层对附近的数据点进行分组，并将其包含在树的更高层的边界框中。R 树中的每个叶子节点都表示一个数据点，每个非叶子节点都表示一个矩形（包含数据点或者下一层矩形）。无需线性扫描所有数据记录，就可以在R树上高效地进行各种搜索和查询。具体而言，不同的查询和搜索对应不同的算法[63]。以范围查询（查询形状为矩形）为例，首先从根节点开始遍历，查找和查询范围相交的最深的非叶子节点。然后，将这些非叶子节点的叶子节点都作为中间查询结果。最后，对中间结果进行筛查，看其是否落在查询范围内。此处的矩形也可以是高纬的超矩形。
?Bloom过滤器[53]是一种存储开销较小的概率数据结构，主要用于测试元素是否为集合的成员或者判断两个集合的交集是否为空。具体地说，它能够快速确定某个元素肯定不在集合中或可能（大概率）在集合中。换句话说，当判定元素存在性时有一定的概率会误报。Bloom过滤器实质上是具有个元素的比特向量。令=(1,…,),={0,1}(1≤≤)为一个长度为的Bloom过滤器。如图2-2所示，初始化时令其所有元素为0，即=(0,…,0)。下面我们分别介绍如何往Bloom过滤器中插入元素，如何测试某个元素是否在集合中，以及测试两个集合是否相交。图2-2Bloom过滤器示例元素插入：选取个哈希函数{1,…,}。假设被插入元素为,则令[()modm]=1(1≤≤)。即对做次哈希运算，并将其分别模上Bloom过滤器的长度。然后将过滤器中所对应的设置为1。如图2-2所示，当哈希函数的个数为3时，各执行3次哈希运算便完成元素,,的插入。元素检测：假设被检测的元素为，如图2-2所示，首先对做次哈希运算，然后再摸。如果所对应的个Bloom过滤器的位置中的数字都为1，则判定属于该集合。如果有任何一个数为0，则判定不属于该集合。即[(X)modm]=1(1≤≤)，则属于集合，否则判定为不属于。集合检测：任给两个代表不同集合的Bloom过滤器{1,2}；假设，所使用的哈希函数个数为；如果12≥，则判定两个集合交集不为空。
本文编号：3343442
【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】：129 页
【学位级别】：博士
【部分图文】：
研究内容框架
Guttman 等人[62]首次提出数据结构 R 树。它是基于二叉树的多维数据结构，被广泛用于不同类型的空间数据查询和搜索中。构建 R 树的基本思想是在同一层对附近的数据点进行分组，并将其包含在树的更高层的边界框中。R 树中的每个叶子节点都表示一个数据点，每个非叶子节点都表示一个矩形（包含数据点或者下一层矩形）。无需线性扫描所有数据记录，就可以在R树上高效地进行各种搜索和查询。具体而言，不同的查询和搜索对应不同的算法[63]。以范围查询（查询形状为矩形）为例，首先从根节点开始遍历，查找和查询范围相交的最深的非叶子节点。然后，将这些非叶子节点的叶子节点都作为中间查询结果。最后，对中间结果进行筛查，看其是否落在查询范围内。此处的矩形也可以是高纬的超矩形。
?Bloom过滤器[53]是一种存储开销较小的概率数据结构，主要用于测试元素是否为集合的成员或者判断两个集合的交集是否为空。具体地说，它能够快速确定某个元素肯定不在集合中或可能（大概率）在集合中。换句话说，当判定元素存在性时有一定的概率会误报。Bloom过滤器实质上是具有个元素的比特向量。令=(1,…,),={0,1}(1≤≤)为一个长度为的Bloom过滤器。如图2-2所示，初始化时令其所有元素为0，即=(0,…,0)。下面我们分别介绍如何往Bloom过滤器中插入元素，如何测试某个元素是否在集合中，以及测试两个集合是否相交。图2-2Bloom过滤器示例元素插入：选取个哈希函数{1,…,}。假设被插入元素为,则令[()modm]=1(1≤≤)。即对做次哈希运算，并将其分别模上Bloom过滤器的长度。然后将过滤器中所对应的设置为1。如图2-2所示，当哈希函数的个数为3时，各执行3次哈希运算便完成元素,,的插入。元素检测：假设被检测的元素为，如图2-2所示，首先对做次哈希运算，然后再摸。如果所对应的个Bloom过滤器的位置中的数字都为1，则判定属于该集合。如果有任何一个数为0，则判定不属于该集合。即[(X)modm]=1(1≤≤)，则属于集合，否则判定为不属于。集合检测：任给两个代表不同集合的Bloom过滤器{1,2}；假设，所使用的哈希函数个数为；如果12≥，则判定两个集合交集不为空。
本文编号：3343442
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3343442.html
