针对油气物联网(OGIoT:Oil and Gas Internet of Things)连接设备的数量暴增导致边缘计算(EC:Edge Computing)系统中的边缘节点算力不足,且难以有效识别其他边缘节点的恶意攻击而导致的服务崩溃问题,提出针对油气物联网数据污染检测改...针对油气物联网(OGIoT:Oil and Gas Internet of Things)连接设备的数量暴增导致边缘计算(EC:Edge Computing)系统中的边缘节点算力不足,且难以有效识别其他边缘节点的恶意攻击而导致的服务崩溃问题,提出针对油气物联网数据污染检测改进的高效机器学习算法(EMLDI:Efficient Machine Learning Method for Improved Data Contamination Detection of Oil and Gas IoT),解决了因边缘节点鲁棒性不强,数据失真或遭到轻度质变导致边缘节点运算结果波动大且不准确问题。通过随机选择批量样本加入高斯噪声(GN:Gaussian Noise)扩充数据集训练网络,使网络具有更宽泛的数据拟合能力和预测能力,解决了数据被严重破坏时边缘节点难以实施正确运算导致系统性崩溃问题。实验结果表明,该算法能更有效地识别噪声污染以及随机标签污染的样本,并且算法在规定的训练批次内能达到最好的效果。展开更多
文摘针对油气物联网(OGIoT:Oil and Gas Internet of Things)连接设备的数量暴增导致边缘计算(EC:Edge Computing)系统中的边缘节点算力不足,且难以有效识别其他边缘节点的恶意攻击而导致的服务崩溃问题,提出针对油气物联网数据污染检测改进的高效机器学习算法(EMLDI:Efficient Machine Learning Method for Improved Data Contamination Detection of Oil and Gas IoT),解决了因边缘节点鲁棒性不强,数据失真或遭到轻度质变导致边缘节点运算结果波动大且不准确问题。通过随机选择批量样本加入高斯噪声(GN:Gaussian Noise)扩充数据集训练网络,使网络具有更宽泛的数据拟合能力和预测能力,解决了数据被严重破坏时边缘节点难以实施正确运算导致系统性崩溃问题。实验结果表明,该算法能更有效地识别噪声污染以及随机标签污染的样本,并且算法在规定的训练批次内能达到最好的效果。