基于可伸缩l-多样性的大数据发布隐私保护

针对非结构化大数据发布中的隐私保护问题,提出了一种基于改进的可伸缩l-多样性(improved scalable l-diversity,Im SLD)大数据发布隐私保护方法。该算法采用基于两阶段条件随机场的命名实体识别(named entity recognition,NER)方法将非结构化数据表示为结构化形式,设计一种改进的可伸缩l-多样性算法来对表现良好的非结构化数据进行匿名化,实现保护非结构化大数据发布的隐私,通过Apache Pig实现Im SLD算法来使其具有可伸缩性。实验表明与MRA和SKA算法相比,改进的Im SLD算法在不同数据集上提供相同级别的隐私时信息损失均优于对比的另外两种算法。

大数据下的分布式精确模糊KNN分类算法

针对K近邻(KNN)方法处理大数据集的效率问题进行了研究,提出了一种基于Spark框架的分布式精确模糊KNN分类算法,创新性地将Spark框架分布式map和reduce过程与模糊KNN结合。首先对不同分区中训练样本类别信息进行模糊化处理,得到类别隶属度,将训练集转换为添加类隶属度的模糊训练集;然后使用KNN算法对先前计算的类成员测试集计算得到k个最近邻;最后通过距离权重进行分类。针对百万级大数据集样本的实验,以及与其他算法的对比实验表明,所提算法是可行的和有效的。

基于RD-PSO优化算法的自适应数据流分类

为了无缝地适应非平稳数据流分类任务中的不同概念漂移,提出一种基于复制动力学和粒子群优化(Replicator Dynamics and Particle Swarm Optimization,RD-PSO)的自适应数据流分类技术。该技术基于三层体系结构通过从目标数据流的特征池中随机选择一定百分比的特征来创建不同大小的分类类型,使用粒子群优化技术通过单独优化所提算法的每一层中的特征组合来处理突发式和复现式概念漂移。结果表明与现有方法相比,该算法在准确性和鲁棒性方面均优于现有方法。

大数据环境下的安全多维数据聚合协议

针对大数据无线传感器网络(Wireless Sensor Networks,WSN)对路由聚合的同时难以保持数据机密性和完整性的问题进行研究,提出一种新的无线传感器网络隐式多维数据聚合协议,用于大数据环境下安全地聚合WSN生成的大量多维数据.该协议通过采用一种简单、轻量级的超递增序列和加性同态加密方案构造多维数据以保护数据的机密性,采用同态签名方案来保护数据的完整性,通过检查中间节点的完整性过滤虚假数据包实现数据的新鲜度.安全性分析显示该协议实现了端到端的安全性,实验结果表明:该协议降低了通信开销和能耗,提高了传感器网络的生存周期.

基于移动sink的无线传感器网络海星路由协议

具有移动sink的无线传感器网络(WSN)比静态sink具有更长的网络寿命和更好的数据传输性能,但是因为其移动性导致能耗开销巨大,针对这个问题,提出一种基于移动sink的无线传感器网络海星路由协议,灵感来自海星的水脉系统.该路由协议构建了一个带有中心环通道的路由骨干网,并且网络上的径向通道很少.给定网络能动态确定径向通道的数量和环通道的半径,以便减少从源到sink的通信等待时间.实验结果表明,该文海星路由协议能够有效地均衡节点的能量消耗,在数据传输延迟和网络生命周期方面,性能评估的结果优于现有其他协议.

基于免疫危险理论的手机恶意软件检测模型

为了提高智能手机恶意软件检测的自适应性和有效性,该文提出了基于免疫危险理论的手机恶意软件检测模型,该模型由4个部分组成:数据采集、危险信号生成、共刺激信号生成和预警部分,针对不同的恶意软件,采用微分方法表达危险信号,由自适应抗原提呈细胞产生相应的共刺激信号,最后对恶意软件产生预警.通过实验验证了该文模型的自适应性和有效性.

适用于自适应网络防御的联合云计算框架

为了解决云计算中网络安全防御策略部署问题,提出一种适用于自适应网络防御的联合云计算框架.该框架由治理层和互操作层组成,使用LocalHub,StateHub和FederalHub共3个集线器将独立的管理层连接起来,能够根据云计算中不同事件来计算和部署网络防御策略,满足部署网络防御解决方案和分布式计算所需的标准和复杂服务.文中给出联合云计算系统模型及其构建单元,以及所提模型的好处和实施带来的一些挑战.该云计算联合框架解决了终端用户存在的问题.实验表明:当事件响应中涉及更高级别的联合框架时,对应的延迟变高,事件响应成功的概率增大.在本文联合云计算框架中网络防御的性能优于其他2种云计算框架.

基于格拉姆矩阵和随机森林的疾病预测方法

针对现有预测方法中存在预测精度低、预测时间长及存储空间大等问题,提出一种基于格拉姆矩阵和随机森林的疾病预测方法,该方法首先从数据集中收集大量数据,其次使用格拉姆对称矩阵对采集数据进行存储和归类.然后引入随机森林二元回归和分类技术,通过二元变量相关性来衡量预测结果和数据之间的关系,并根据相关性构造决策树用于结果分类.最后,应用表决方案输出最终预测结果.实验结果表明:与其他方法相比,本文提出的方法提高了预测准确度,降低了预测的时间开销和空间复杂度.