基于相似树查询的隐私大数据定向检索算法

网络用户文档涵盖大量隐私敏感数据,传统隐私大数据检索方法面对多种类繁杂数据存在检索顺序混乱问题,导致检索命中率不高、效率低下等问题。为解决上述问题,提出基于相似树查询的隐私大数据定向检索算法。结合物-雾-云建立适用于海量数据的隐私保护检索系统,设计基于相似树查询的兄弟叶节点查询结构。利用网格区域分割将多种类繁杂数据集划分成多个子集,完成大数据的相互匹配与滤波。结合模糊谱聚类完成数据关联属性特征提取,按照数据聚类属性识别分类特征,引入识别结果完成隐私大数据定向检索。仿真结果表明,与传统方法相比,所提隐私大数据定向检索方法检索性能具有明显应用优势,检索耗时短、精度高,能够有效维护网络用户数据安全。

云环境下基于动态聚类及相似树查询的无线体域网隐私数据检索算法研究

无线体域网收集的各项人体生物数据涉及隐私问题。大量的隐私数据存储在云服务器中,检索时要求高命中率和机密性。密文检索技术是解决云环境隐私安全问题的有效方法。针对此问题,论文提出了基于相似查询树的兄弟叶节点的查询结构——B-SS,以提升多关键字排序检索的结果命中率。在云存储的环境下提出改进的动态区间聚类算法MDB,在初始化文档集时,取文档集中最大和最小文档的向量差,等量的划分为k个槽,并对槽进行动态划分,聚类过程随文档量增加动态变化,且初始化时间复杂度为O(1),适用于无线体域网大数据环境下的密文检索。通过实验证明该方法随着文档的线性增加,消耗的时间呈线性变化,且变化幅度低,表明MDB算法在初始化效率上具有较大提升。

基于相似查询树的快速密文检索方法

随着云计算的广泛应用,数据中心的数据量急速增加;同时,用户文档通常包含隐私敏感信息,需要先加密然后上传到云服务器.面对如此大量的密文数据,现有技术在大数据量的密文数据上的检索效率很低.针对这一问题,提出在大数据下的基于相似查询树的密文检索方法(MRSE-SS).该方法通过设置聚类中心和成员之间的最大距离对文档向量进行聚类,并把中心向量看成n维超球体的球心,最大距离作为半径,再逐步将小聚类聚合成大聚类.使用该方法构建的密文文档集合,在查询阶段,仅需检索查询向量相邻的聚类即可获得理想的查询结果集合,从而提高了密文检索的效率.以《软件学报》最近10年的论文作为样本进行了实验,数据集中选取2 900篇文档和4 800个关键词.实验结果显示:当文档集个数呈指数增长时,检索时间仅呈线性增长,并且检索结果的关联性比传统检索方法更强.