針對(duì)當(dāng)前密文數(shù)據(jù)去重挖掘方法存在去重效果較差、特征聚合能力低的問(wèn)題,提出一種密鑰共享下跨用戶(hù)密文數(shù)據(jù)去重挖掘方法.結(jié)合非線性統(tǒng)計(jì)序列分析方法對(duì)密鑰共享下跨用戶(hù)密文數(shù)據(jù)的統(tǒng)計(jì)特征進(jìn)行采樣,通過(guò)識(shí)別不同領(lǐng)域的統(tǒng)計(jì)特征進(jìn)行密文數(shù)據(jù)的線性編碼設(shè)計(jì),抽取密鑰共享下跨用戶(hù)密文數(shù)據(jù)的平均互信息特征量.采用匹配濾波方法實(shí)現(xiàn)密鑰共享下跨用戶(hù)密文數(shù)據(jù)的去重處理.仿真結(jié)果表明,采用該方法的去重效果較好,特征聚合能力較強(qiáng). 

【文章來(lái)源】：沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào). 2020,42(02)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

密文數(shù)據(jù)分布時(shí)域波形

圖1 密文數(shù)據(jù)分布時(shí)域波形由圖2可以看出，特征重構(gòu)后的密文數(shù)據(jù)波形幅度較為一致，邊緣離散數(shù)據(jù)與圖1相比改善效果明顯．尺度系數(shù)為0.2時(shí)，密文數(shù)據(jù)特征重構(gòu)的效果更好，但從波形范圍來(lái)說(shuō)，仍具有多樣特征重合的特性，數(shù)據(jù)去重不夠準(zhǔn)確，因此選用尺度系數(shù)為0.4的密文數(shù)據(jù)特征重構(gòu)結(jié)果與粒子群去重挖掘方法及K均值去重挖掘方法進(jìn)行對(duì)比分析，得到的輸出結(jié)果如圖3所示．

由圖4可以看出，采用本文方法數(shù)據(jù)較為聚攏，數(shù)據(jù)簇沒(méi)有出現(xiàn)離散數(shù)據(jù)點(diǎn);粒子群去重挖掘方法數(shù)據(jù)簇出現(xiàn)少量離散點(diǎn);K均值去重挖掘方法數(shù)據(jù)簇中出現(xiàn)了大量離散點(diǎn)，由此可以看出所提方法比其他兩種算法的數(shù)據(jù)聚合能力強(qiáng)．圖4 數(shù)據(jù)聚合能力對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]一種帶權(quán)的混合數(shù)據(jù)聚類(lèi)個(gè)數(shù)確定算法[J]. 李順勇,張苗苗.  計(jì)算機(jī)應(yīng)用與軟件. 2019(01)
[2]基于改進(jìn)極端隨機(jī)樹(shù)的異常網(wǎng)絡(luò)流量分類(lèi)[J]. 韋海宇,王勇,柯文龍,俸皓.  計(jì)算機(jī)工程. 2018(11)
[3]基于核函數(shù)的高維離散數(shù)據(jù)聚類(lèi)算法研究與應(yīng)用[J]. 葉福蘭.  長(zhǎng)春工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(03)
[4]基于多變量LSTM的工業(yè)傳感器時(shí)序數(shù)據(jù)預(yù)測(cè)[J]. 易利容,王紹宇,殷麗麗,楊青,顧欣.  智能計(jì)算機(jī)與應(yīng)用. 2018(05)
[5]面向新聞文本的分類(lèi)方法的比較研究[J]. 劉測(cè),韓家新.  智能計(jì)算機(jī)與應(yīng)用. 2018(05)
[6]基于用戶(hù)社交網(wǎng)絡(luò)分析的高校圖書(shū)館主題多樣性閱讀推薦[J]. 柳益君,何勝,吳智勤,趙小榮,習(xí)海旭.  圖書(shū)情報(bào)工作. 2018(08)
[7]社交網(wǎng)絡(luò)環(huán)境下基于用戶(hù)行為分析的個(gè)性化推薦服務(wù)研究[J]. 王剛,郭雪梅.  情報(bào)理論與實(shí)踐. 2018(08)
[8]大數(shù)據(jù)相似性連接查詢(xún)技術(shù)研究進(jìn)展[J]. 馬友忠,張智輝,林春杰.  計(jì)算機(jī)應(yīng)用. 2018(04)
[9]基于離散馬爾科夫鏈的數(shù)據(jù)庫(kù)用戶(hù)異常行為檢測(cè)[J]. 畢猛,王安迪,徐劍,周福才.  沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào). 2018(01)
[10]面向位置大數(shù)據(jù)的快速密度聚類(lèi)算法[J]. 于彥偉,賈召飛,曹磊,趙金東,劉兆偉,劉驚雷.  軟件學(xué)報(bào). 2018(08)



本文編號(hào)：3327710