污水流量与天气数据融合的贝叶斯服务人口预测

传统基于污水日均流量及人均用水量的人口预测模型缺乏对天气因素的考虑,存在人口数量测算偏大等问题。为了综合考虑天气因素对污水日均流量的影响,提出了一种基于污水监测数据与天气数据融合的贝叶斯服务人口预测模型。通过引入天气影响因子,同质化、异质化天气影响因子转化率,天气因素对污水日均流量的贡献量等,构建基于贝叶斯方法的污水日均流量生成模型。基于随机变分推理,获得生成模型参数的后验分布,进而实现各污水处理厂服务区域的服务人口预测模型。该模型能抵消区域天气因素的综合影响水平,能更合理地实现污水厂服务区域的人口数量预测。同时,通过统计分析对比了同质化、异质化天气影响因子转化率估计,天气因素对污水日均流量的影响等。该服务人口预测模型能进一步支撑城市人口的态势感知,对提升社会治理能力有重要意义。

物联网中多密钥同态加密的联邦学习隐私保护方法

借助联邦学习,多个分布式物联网设备可在不泄露原始数据前提下通过传输模型更新共同训练全局模型.然而,联邦学习系统易受模型推理攻击的影响,导致系统鲁棒性和数据隐私性受损.针对现有联邦学习方案无法实现对共享梯度的机密性保护以及难以抵抗客户端和服务器发起的共谋攻击等问题,提出一种物联网中多密钥同态加密的联邦学习隐私保护方法.该方法利用多密钥同态加密实现了梯度更新机密性保护,首先通过采用代理重加密技术,将不同公钥下的密文转换为公共密钥下的加密数据,确保云服务器实现对梯度密文的解密.然后,物联网设备采用自身的公钥和随机秘密因子加密本地梯度数据,可抵抗恶意设备和服务器发起的合谋攻击.其次,设计了一种基于混合密码体制的身份认证方法,实现对联邦建模参与方身份的实时验证.此外,为了进一步降低客户端计算开销,将部分解密计算协同至可信服务器计算,用户只需少量的计算即可.通过对所提方案进行全面分析以评估其安全性和效率.结果表明,所提方案满足了预期的安全要求.实验仿真表明,该方案相较于现有方案,具有较低的计算开销,可实现更快且准确的模型训练.