油气物联网数据污染检测算法研究

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。

强鲁棒性边缘计算数据安全算法

针对由于采用分布式部署传感器的方式会导致边缘服务器出现数据量分布单一且不平衡的现象,并且边缘计算下的模型训练也会因梯度异常导致数据集被污染带来极为严重的隐私泄露问题,提出了强鲁棒性边缘计算(EC:Edge Computing)数据安全算法(RDSEC:Strongly Robust Data Security Algorithms for Edge Computing)。该算法利用异构网络对图像特征共同提取,并使用同态加密实现对边缘服务器的参数加密,实现隐私保护。若在边缘节点进行梯度异常检测时发现异常,则边缘节点上传梯度时会附加一个信号告知云中心当前边缘节点所上传的参数是否可用。该算法在Cifar10和Fashion数据集上的实验取得了极佳结果,实现了数据集分配比失衡的条件下也能有效聚合边缘服务器参数,提升边缘节点算力和运算准确率。并且在保证数据隐私的条件下,使模型的鲁棒性、精确性和训练速度大幅提升,实现边缘节点对图像预测的高准确率。