-
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：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：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。
-
-
-
Search Results
4
records
(took 0.015 seconds)
