針對當(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題,提出一種密鑰共享下跨用戶密文數(shù)據(jù)去重挖掘方法.結(jié)合非線性統(tǒng)計序列分析方法對密鑰共享下跨用戶密文數(shù)據(jù)的統(tǒng)計特征進行采樣,通過識別不同領(lǐng)域的統(tǒng)計特征進行密文數(shù)據(jù)的線性編碼設(shè)計,抽取密鑰共享下跨用戶密文數(shù)據(jù)的平均互信息特征量.采用匹配濾波方法實現(xiàn)密鑰共享下跨用戶密文數(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. 

【文章來源】：沈陽工業(yè)大學(xué)學(xué)報. 2020,42(02)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

密文數(shù)據(jù)分布時域波形

圖1 密文數(shù)據(jù)分布時域波形由圖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，密文數(shù)據(jù)特征重構(gòu)的效果更好，但從波形范圍來說，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行對比分析，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)簇沒有出現(xiàn)離散數(shù)據(jù)點;粒子群去重挖掘方法數(shù)據(jù)簇出現(xiàn)少量離散點;K均值去重挖掘方法數(shù)據(jù)簇中出現(xiàn)了大量離散點，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．圖4 數(shù)據(jù)聚合能力對比

【參考文獻】：
期刊論文
[1]一種帶權(quán)的混合數(shù)據(jù)聚類個數(shù)確定算法[J]. 李順勇,張苗苗.  計算機應(yīng)用與軟件. 2019(01)
[2]基于改進極端隨機樹的異常網(wǎng)絡(luò)流量分類[J]. 韋海宇,王勇,柯文龍,俸皓.  計算機工程. 2018(11)
[3]基于核函數(shù)的高維離散數(shù)據(jù)聚類算法研究與應(yīng)用[J]. 葉福蘭.  長春工程學(xué)院學(xué)報(自然科學(xué)版). 2018(03)
[4]基于多變量LSTM的工業(yè)傳感器時序數(shù)據(jù)預(yù)測[J]. 易利容,王紹宇,殷麗麗,楊青,顧欣.  智能計算機與應(yīng)用. 2018(05)
[5]面向新聞文本的分類方法的比較研究[J]. 劉測,韓家新.  智能計算機與應(yīng)用. 2018(05)
[6]基于用戶社交網(wǎng)絡(luò)分析的高校圖書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.  圖書情報工作. 2018(08)
[7]社交網(wǎng)絡(luò)環(huán)境下基于用戶行為分析的個性化推薦服務(wù)研究[J]. 王剛,郭雪梅.  情報理論與實踐. 2018(08)
[8]大數(shù)據(jù)相似性連接查詢技術(shù)研究進展[J]. 馬友忠,張智輝,林春杰.  計算機應(yīng)用. 2018(04)
[9]基于離散馬爾科夫鏈的數(shù)據(jù)庫用戶異常行為檢測[J]. 畢猛,王安迪,徐劍,周福才.  沈陽工業(yè)大學(xué)學(xué)報. 2018(01)
[10]面向位置大數(shù)據(jù)的快速密度聚類算法[J]. 于彥偉,賈召飛,曹磊,趙金東,劉兆偉,劉驚雷.  軟件學(xué)報. 2018(08)



本文編號：3327710