ارائه روشي براي حفظ حريم خصوصي با استفاده از يادگيري ماشين توزيع شده بر روي داده هاي رمزشده درارتباطات خودرويي ابري

كارشناسي ارشد

حفظ حريم خصوصي و امنيت افراد در حوزه ارتباطات خودرويي در ساختار شهرهاي هوشمند اهميت ويژه‌اي دارد. در اين تحقيق از الگوريتم CodedPrivateML در يادگيري ماشين توزيع‌شده و داده‌هاي رمزنگاري شده استفاده شده ‌است. روش پيشنهادي براساس اين ايده است كه محاسبات مربوط به الگوريتم‌هاي يادگيري ماشين در فضاي ابري انجام نمي‌شود و فضاي ابر، تنها از نتيجه محاسبات آگاه است. در عين حال داده‌هاي محرمانه كاربر از ساير اعضا مخفي نگه‌داشته مي‌شود. روش CodedPrivateML با استفاده از كدگذاري لاگرانژ امنيت داده ها را حفظ و در عين حال امكان توزيع يادگيري ماشين را فراهم مي نمايد. روش CodedPrivateML داراي اين مزيت عمده نسبت به روش هاي پيشين است كه مي توان تعداد توزيع ها را افزايش داد؛ در عين حال سرعت اجراي بالايي نيز دارد. به صورت تئوري اطلاعاتي امنيت داده ها حفظ مي شود و اثبات مي شود كه داده هاي جمع آوري شده از كارگزاران آزاد همگرايي لازم را خواهند داشت. نتايج نشان داد ماشين‌بردار پشتيبان، داراي دقتي برابر 96.57 درصد و روش پيشنهادي 97.79 درصد است. به عبارتي خروجي‌ اجراي سيستم پيشنهادي با نتايج اجراي متدولوژي به شيوه دستي، بيش از 80% همبستگي دارد. مدل ارائه شده نشان داد، مي‌تواند به عنوان مدلي موفق در يادگيري ماشين توزيع شده بر روي داده‌هاي رمزشده در ارتباطات خودرويي ابري مبتني بر يادگيري ماشين با حفظ حريم خصوصي مورد استفاده قرار گيرد.

195778

دانشگاه علم و صنعت ايران

مهندسي شبكه هاي كامپيوتري

دكتر ناصر مزيني