移動(dòng)云環(huán)境下的可信計(jì)算理論

目錄
前言
第1章 緒論 1
1.1 移動(dòng)云計(jì)算概述 1
1.1.1 移動(dòng)云計(jì)算的概念 1
1.1.2 移動(dòng)云計(jì)算的模式類(lèi)型 2
1.1.3 移動(dòng)云計(jì)算的發(fā)展 3
1.1.4 移動(dòng)云計(jì)算的挑戰(zhàn) 5
1.2 可信計(jì)算概述 5
1.2.1 可信計(jì)算的起源 5
1.2.2 可信計(jì)算的發(fā)展 6
1.2.3 可信計(jì)算的應(yīng)用 6
1.3 移動(dòng)云環(huán)境下的可信問(wèn)題 8
1.4 本章小結(jié) 10
參考文獻(xiàn) 10
第2章 基于自適應(yīng)編碼的用戶(hù)正常行為模式挖掘方法 14
2.1 引言 14
2.2 相關(guān)理論 15
2.2.1 遺傳算法 15
2.2.2 自律計(jì)算 18
2.3 用戶(hù)時(shí)序行為的用戶(hù)-時(shí)序-操作形式化描述 20
2.3.1 用戶(hù)時(shí)序行為結(jié)構(gòu)化定義 20
2.3.2 用戶(hù)時(shí)序行為序列編碼結(jié)構(gòu) 22
2.4 用戶(hù)正常行為模式挖掘過(guò)程 23
2.4.1 選擇 23
2.4.2 交叉 25
2.4.3 變異 26
2.4.4 算法偽代碼 27
2.5 仿真實(shí)驗(yàn)及結(jié)果分析 28
2.5.1 仿真環(huán)境 28
2.5.2 仿真結(jié)果 28
2.6 本章小結(jié) 30
參考文獻(xiàn) 30
第3章 基于神經(jīng)網(wǎng)絡(luò)聚類(lèi)的用戶(hù)異常行為分析方法 32
3.1 引言 32
3.2 用戶(hù)異常行為分析的系統(tǒng)模型 32
3.2.1 SVD模型 32
3.2.2 SVD并行處理模型 33
3.2.3 SVD降噪模型 33
3.2.4 BP神經(jīng)網(wǎng)絡(luò)模型 33
3.3 異常行為分析機(jī)制 34
3.3.1 SVD并行分解模型 34
3.3.2 SVD降噪模型 35
3.3.3 基于信息熵的BP神經(jīng)網(wǎng)絡(luò)模型 35
3.3.4 聚類(lèi)模型 36
3.4 仿真結(jié)果與分析 38
3.4.1 實(shí)驗(yàn)環(huán)境 38
3.4.2 評(píng)價(jià)指標(biāo) 39
3.4.3 實(shí)驗(yàn)過(guò)程 39
3.4.4 仿真結(jié)果 41
3.5 本章小結(jié) 44
參考文獻(xiàn) 44
第4章 一種基于信譽(yù)投票的用戶(hù)異常行為協(xié)同分析方法 45
4.1 引言 45
4.2 用戶(hù)行為異常協(xié)同分析模型 46
4.2.1 相關(guān)概念 46
4.2.2 信譽(yù)模型 47
4.2.3 D-Chord環(huán) 48
4.2.4 用戶(hù)行為異常協(xié)同分析模型 49
4.3 用戶(hù)行為異常協(xié)同分析算法 51
4.3.1 構(gòu)造訓(xùn)練樣本 51
4.3.2 選擇性集成分類(lèi)器 52
4.3.3 信譽(yù)計(jì)算 53
4.3.4 雙向Chord環(huán)查找 55
4.4 用戶(hù)行為異常協(xié)同分析算法 56
4.5 實(shí)驗(yàn)結(jié)果與分析 57
4.6 本章小結(jié) 61
參考文獻(xiàn) 61
第5章 基于選擇性聚類(lèi)融合的用戶(hù)異常行為檢測(cè)方法 63
5.1 引言 63
5.2 相關(guān)技術(shù) 63
5.2.1 聚類(lèi) 63
5.2.2 基于分形維數(shù)的聚類(lèi)模型 67
5.3 基于分形維數(shù)的異常行為分析機(jī)制 68
5.3.1 數(shù)據(jù)獲取 69
5.3.2 聚類(lèi)成員 69
5.3.3 選擇策略 70
5.3.4 聚類(lèi)融合 70
5.3.5 異常檢測(cè) 71
5.4 仿真實(shí)驗(yàn)及結(jié)果分析 72
5.4.1 實(shí)驗(yàn)環(huán)境 72
5.4.2 評(píng)價(jià)標(biāo)準(zhǔn) 72
5.4.3 實(shí)驗(yàn)過(guò)程 72
5.4.4 仿真結(jié)果 76
5.5 本章小結(jié) 78
參考文獻(xiàn) 78
第6章 基于Needleman-Wunsch算法的用戶(hù)時(shí)序行為實(shí)時(shí)判別方法 80
6.1 引言 80
6.2 Needleman-Wunsch算法概述 81
6.3 基于Needleman-Wunsch算法的用戶(hù)時(shí)序行為實(shí)時(shí)判別算法 82
6.3.1 算法概述 83
6.3.2 序列適應(yīng)度 84
6.3.3 參考序列篩選 85
6.3.4 序列比對(duì)算法 85
6.3.5 自適應(yīng)閾值算法 86
6.3.6 投票機(jī)制 86
6.3.7 結(jié)果反饋 86
6.4 仿真實(shí)驗(yàn)及性能分析 87
6.4.1 仿真數(shù)據(jù) 87
6.4.2 算法驗(yàn)證 88
6.4.3 性能比較 89
6.5 本章小結(jié) 90
參考文獻(xiàn) 91
第7章 基于多標(biāo)簽超網(wǎng)絡(luò)的云用戶(hù)行為認(rèn)定模型 92
7.1 引言 92
7.2 相關(guān)理論 92
7.2.1 分類(lèi)算法 92
7.2.2 傳統(tǒng)的超網(wǎng)絡(luò)模型 93
7.3 云用戶(hù)行為認(rèn)定模型 94
7.3.1 特征選擇 94
7.3.2 特征選擇 94
7.3.3 基于多標(biāo)簽超網(wǎng)絡(luò)的異常行為劃分機(jī)制 95
7.4 仿真實(shí)驗(yàn)及結(jié)果分析 98
7.4.1 實(shí)驗(yàn)場(chǎng)景 98
7.4.2 仿真結(jié)果 100
7.5 本章小結(jié) 102
參考文獻(xiàn) 103
第8章 基于模式增長(zhǎng)的異常行為識(shí)別與自主優(yōu)化方法 104
8.1 引言 104
8.2 基于模式增長(zhǎng)的異常行為識(shí)別與自主優(yōu)化模型 105
8.2.1 相關(guān)概念 105
8.2.2 Map-Reduce模型 105
8.2.3 黑名單技術(shù) 106
8.2.4 模型描述 107
8.3 異常行為識(shí)別與自主優(yōu)化方法 107
8.3.1 帶有時(shí)間間隔約束的正常行為模式挖掘方法 108
8.3.2 基于分層匹配的用戶(hù)時(shí)序行為異常識(shí)別方法 110
8.3.3 基于模式增長(zhǎng)的用戶(hù)時(shí)序行為自主優(yōu)化方法 113
8.3.4 基于模式增長(zhǎng)的異常行為識(shí)別與自主優(yōu)化算法 115
8.4 仿真實(shí)驗(yàn)與結(jié)果分析 115
8.5 本章小結(jié) 121
參考文獻(xiàn) 121
第9章 基于D-TF-IDF的移動(dòng)微學(xué)習(xí)資源部署方法 123
9.1 引言 123
9.2 移動(dòng)微學(xué)習(xí)資源部署的系統(tǒng)模型 123
9.2.1 TF-IDF算法模型 124
9.2.2 灰狼優(yōu)化方法模型 124
9.2.3 基于云的移動(dòng)微學(xué)習(xí)服務(wù)提供模型 125
9.3 移動(dòng)微學(xué)習(xí)資源部署的模型功能 126
9.3.1 分類(lèi)模塊 126
9.3.2 兩層云架構(gòu)模塊 128
9.3.3 灰狼優(yōu)化模塊 128
9.3.4 能耗計(jì)算 129
9.4 實(shí)驗(yàn)結(jié)果與分析 132
9.4.1 實(shí)驗(yàn)設(shè)置 132
9.4.2 實(shí)驗(yàn)過(guò)程與結(jié)果 132
9.5 本章小結(jié) 139
參考文獻(xiàn) 139
第10章 基于遺傳算法的任務(wù)聯(lián)合執(zhí)行策略 141
10.1 引言 141
10.2 移動(dòng)微學(xué)習(xí)的任務(wù)聯(lián)合執(zhí)行策略模型 142
10.2.1 相關(guān)概念 142
10.2.2 時(shí)間序列匹配模型 143
10.2.3 任務(wù)聯(lián)合執(zhí)行策略模型 144
10.3 問(wèn)題描述 145
10.3.1 能耗描述 145
10.3.2 任務(wù)聯(lián)合執(zhí)行算法 148
10.4 實(shí)驗(yàn)分析 150
10.4.1 實(shí)驗(yàn)參數(shù) 150
10.4.2 實(shí)驗(yàn)結(jié)果 150
10.5 本章小結(jié) 154
參考文獻(xiàn) 154
第11章 基于群體協(xié)作的移動(dòng)終端節(jié)能方法 155
11.1 引言 155
11.2 移動(dòng)微學(xué)習(xí)的群體協(xié)作模型 156
11.2.1 Random Waypoint協(xié)作模型 156
11.2.2 R-樹(shù)空間聚類(lèi)模型 157
11.2.3 層次分析法模型 158
11.3 能耗計(jì)算 160
11.4 實(shí)驗(yàn)分析 161
11.4.1 實(shí)驗(yàn)參數(shù) 162
11.4.2 實(shí)驗(yàn)結(jié)果 162
11.5 本章小結(jié) 166
參考文獻(xiàn) 166
第12章 帶語(yǔ)義的多層服務(wù)資源統(tǒng)一標(biāo)識(shí)方法 167
12.1 引言 167
12.2 相關(guān)技術(shù) 167
12.2.1 資源信息編目格式 167
12.2.2 資源描述語(yǔ)言 171
12.3 服務(wù)資源統(tǒng)一標(biāo)識(shí) 173
12.3.1 用戶(hù)資源請(qǐng)求分析 173
12.3.2 統(tǒng)一標(biāo)識(shí)方法描述 175
12.4 仿真實(shí)驗(yàn)與結(jié)果分析 176
12.4.1 場(chǎng)景設(shè)置 177
12.4.2 仿真結(jié)果 177
12.5 本章小結(jié) 180
參考文獻(xiàn) 180
第13章 基于Pastry技術(shù)的服務(wù)資源自主組織方法 182
13.1 引言 182
13.2 相關(guān)技術(shù) 183
13.2.1 P2P網(wǎng)絡(luò) 183
13.2.2 Pastry算法 184
13.3 基于Pastry技術(shù)的服務(wù)資源自主組織 187
13.3.1 云端資源自組織方法 188
13.3.2 云端節(jié)點(diǎn)加入 188
13.3.3 云端節(jié)點(diǎn)更新 189
13.3.4 云端資源請(qǐng)求路由過(guò)程 189
13.3.5 節(jié)點(diǎn)退出或失效 190
13.4 仿真實(shí)驗(yàn)及結(jié)果分析 190
13.4.1 仿真場(chǎng)景 190
13.4.2 仿真結(jié)果 191
13.5 本章小結(jié) 193
參考文獻(xiàn) 193