-
公开(公告)号：CN111372243A
公开(公告)日：2020-07-03
申请号：CN202010189723.6
申请日：2020-03-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于雾联盟链的安全分布式聚合与访问系统及方法，针对当前大多数据聚合方案基于集中化模式设计，面临单点故障和篡改威胁，存在安全与性能提升的空间。为解决这一挑战，本发明结合雾计算和联盟链设计了一个分布式聚合框架，解决了单点故障和篡改危机，为数据的安全收集、通信和存储提供了有力支撑。同时融入阈值版本的Paillier同态算法，设计了安全且具有容错功能的访问控制机制，保证链上数据的机密性和私隐性。同时，提出了一种高效的匿名认证方法，可保证身份隐私和数据的完整性。最后，本方法与现有方法的比较分析结果表明本方法可抵御恶意攻击，保证系统安全性，且相较于其他现有方法，具有较低的计算和通信成本。
-
Patent Agency Ranking
公开(公告)号：CN112134916B
公开(公告)日：2021-06-11
申请号：CN202010702969.9
申请日：2020-07-21
Applicant: 南京邮电大学
IPC: H04L29/08
Abstract: 本发明公开了一种基于深度强化学习的云边协同计算迁移方法，包括以下步骤：(1)构建由用户层、边缘云层和云层组成的移动边缘网络计算迁移模型；(2)边缘云层内的边缘云节点接收到用户层迁移的计算任务，根据任务分配宽带和计算资源；(3)以计算任务的时延和能耗最小作为优化目标，构建目标函数和约束；(4)构建深度神经网络模型，采用异步边缘云协同深度强化学习的方法对目标函数进行优化，得到最优的迁移决策，并返回用户层的终端执行该决策。本发明能够解决大数据场景下求解复杂组合优化的问题，解决了传统梯度优化方法存在收敛速度慢的缺点，在处理大规模数据时方法耗时更短，可以适应大数据网络数据处理时效性需求。
-
公开(公告)号：CN111372243B
公开(公告)日：2023-05-12
申请号：CN202010189723.6
申请日：2020-03-18
Applicant: 南京邮电大学
IPC: H04W12/02 , H04W12/10 , H04L9/40 , H04L9/30 , H04W12/106 , H04L9/00 , H04W12/069
Abstract: 本发明公开了一种基于雾联盟链的安全分布式聚合与访问系统及方法，针对当前大多数据聚合方案基于集中化模式设计，面临单点故障和篡改威胁，存在安全与性能提升的空间。为解决这一挑战，本发明结合雾计算和联盟链设计了一个分布式聚合框架，解决了单点故障和篡改危机，为数据的安全收集、通信和存储提供了有力支撑。同时融入阈值版本的Paillier同态算法，设计了安全且具有容错功能的访问控制机制，保证链上数据的机密性和私隐性。同时，提出了一种高效的匿名认证方法，可保证身份隐私和数据的完整性。最后，本方法与现有方法的比较分析结果表明本方法可抵御恶意攻击，保证系统安全性，且相较于其他现有方法，具有较低的计算和通信成本。
-
公开(公告)号：CN112134916A
公开(公告)日：2020-12-25
申请号：CN202010702969.9
申请日：2020-07-21
Applicant: 南京邮电大学
IPC: H04L29/08
Abstract: 本发明公开了一种基于深度强化学习的云边协同计算迁移方法，包括以下步骤：(1)构建由用户层、边缘云层和云层组成的移动边缘网络计算迁移模型；(2)边缘云层内的边缘云节点接收到用户层迁移的计算任务，根据任务分配宽带和计算资源；(3)以计算任务的时延和能耗最小作为优化目标，构建目标函数和约束；(4)构建深度神经网络模型，采用异步边缘云协同深度强化学习的方法对目标函数进行优化，得到最优的迁移决策，并返回用户层的终端执行该决策。本发明能够解决大数据场景下求解复杂组合优化的问题，解决了传统梯度优化方法存在收敛速度慢的缺点，在处理大规模数据时方法耗时更短，可以适应大数据网络数据处理时效性需求。
-
公开(公告)号：CN110135488B
公开(公告)日：2022-08-26
申请号：CN201910388345.1
申请日：2019-05-10
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种融合字典训练与观测矩阵优化的数据高质压缩方法，通过对稀疏字典与观测矩阵联合优化，实现字典与观测矩阵之间相关性的深入挖掘，主要解决了实际传感器数据采集的问题：首先，本发明构建了一种基于K‑SVD思想的二维字典训练方法，实现IIoT中空时数据的稀疏表示；其次，通过在空间和时间域优化相应的观测矩阵来最小化感知矩阵的列相干性，从而匹配训练后的稀疏字典。最后，提出了一种联合优化方法，在字典训练以及观测矩阵优化之间进行了权衡考量，使得重构误差达到理论上的最小值。与现有的数据压缩方案相比，本发明提出的HQDC方法可以在真实的IIoT场景中高效地工作；同时，HQDC方法在重建精度上也显著优于其他的数据压缩方案。
-
公开(公告)号：CN110135488A
公开(公告)日：2019-08-16
申请号：CN201910388345.1
申请日：2019-05-10
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种融合字典训练与观测矩阵优化的数据高质压缩方法，通过对稀疏字典与观测矩阵联合优化，实现字典与观测矩阵之间相关性的深入挖掘，主要解决了实际传感器数据采集的问题：首先，本发明构建了一种基于K-SVD思想的二维字典训练方法，实现IIoT中空时数据的稀疏表示；其次，通过在空间和时间域优化相应的观测矩阵来最小化感知矩阵的列相干性，从而匹配训练后的稀疏字典。最后，提出了一种联合优化方法，在字典训练以及观测矩阵优化之间进行了权衡考量，使得重构误差达到理论上的最小值。与现有的数据压缩方案相比，本发明提出的HQDC方法可以在真实的IIoT场景中高效地工作；同时，HQDC方法在重建精度上也显著优于其他的数据压缩方案。
-
-
-
-
-
Search Results
6
records
(took 0.045 seconds)
