K-Modes聚类数据收集和发布过程中的混洗差分隐私保护方法

针对目前聚类数据收集与发布安全性不足的问题,为保护聚类数据中的用户隐私并提高数据质量,基于混洗差分隐私模型,提出一种去可信第三方的K-Modes聚类数据收集和发布的隐私保护方法。首先,使用K-Modes聚类数据收集算法对用户数据进行采样并加噪,再通过填补取值域随机排列发布算法打乱采样数据的初始顺序,使恶意攻击者不能根据用户与数据之间的关系识别出目标用户。然后,尽可能减小噪声的干扰,利用循环迭代的方式计算出新的质心完成聚类。最后,从理论层面上分析了以上3种方法的隐私性、可行性和复杂度,并利用3个真实数据集和近年来具有权威性的同类算法KM、DPLM、LDPKM等进行准确率、熵值的对比,验证所提方法的有效性。实验结果表明,所提方法的隐私保护和发布数据质量均优于当前同类算法。

基于边缘计算的环境监测自适应联邦学习算法

针对环境监测领域边缘设备资源不平衡、通信延迟以及模型质量不高的问题,本文提出一种基于边缘计算的环境监测自适应联邦学习算法.该算法旨在利用边缘设备进行数据处理,并根据各个设备的资源限制调整全局模型的聚合频率,以更好地适应不同的监测环境.通过考虑边缘设备之间的资源差异,算法采用了动态优化迭代频率的策略,以提升模型的训练效果.与传统的固定迭代频率相比,该算法的调整策略更加灵活,能够更好地适应不同的数据分布和参与方特征.通过大量实验评估,并利用与同类算法CNN-FL(Convolutional Neural Networks-Federated Learning),FedAvg(Federated Averaging)和HFEL(Hierarchical Federated Edge Learning)的比较,本文提出的算法在算法性能和经济成本方面具有显著优势,这种算法为环境监测提供了一种高效、安全和可扩展的数据分析和模型建立方法,有助于推动环境监测能力的提升.

基于自适应连续时间的群智感知轨迹隐私保护方案

针对轨迹差分隐私保护存在的预测精度差、隐私预算分配效用低的问题,本文提出自适应连续时间序列下的群智感知轨迹预测方案.首先在任务分配阶段,为参与者分配轨迹路线;其次引入隐马尔可夫模型(Hidden Markov Model,HMM),对轨迹进行预测;然后使用预分配和自适应分配相结合的综合隐私预算分配方法,降低隐私预算;最后利用拉普拉斯机制,进行位置扰动.实验结果表明,与相关工作相比,所提方法兼顾预测性和低预算性,对群智感知中参与者在轨迹隐私安全保护上具有良好的保护效果.