边缘端的异常检测能够明显提高检测的响应速度,轻量化是深度异常检测模型在边缘端运行的解决方案,常采用模型压缩或减少参数量的方法,但参数量减少会减弱特征表示能力,影响检测准确度.为解决以上问题,提出一种层间特征传递增强的轻量化无监督异常序列检测方法,可以在减少模型参数量的同时保证检测的准确性.首先,借鉴密集卷积网络(DenseNet)的结构思想,设计特征层间连接的网络结构,增加层间的连接,加强特征传递的信息量,使提取的序列深度特征更充分;然后将深度可分离卷积应用到该网络结构中,减少参数量,实现轻量化;最后,用提取的序列特征训练支持向量描述分类器(Support Vector Data Description,SVDD),进行异常序列检测.分别在仿真数据集、Google云平台监控日志数据集和边缘端电力变压器油箱的温度数据集上进行验证,结果表明,提出的方法能准确地检测出不同变化的异常序列,与经典的轻量化网络相比,在准确率、参数量和速度上性能更好.
在车联网场景中,现有基于位置服务的隐私保护方案存在不支持多种类型K近邻兴趣点的并行查询、难以同时保护车辆用户和位置服务提供商(Location-Based Service Provider,LBSP)两方隐私、无法抵抗恶意攻击等问题。为了解决上述问题,提出...
详细信息
在车联网场景中,现有基于位置服务的隐私保护方案存在不支持多种类型K近邻兴趣点的并行查询、难以同时保护车辆用户和位置服务提供商(Location-Based Service Provider,LBSP)两方隐私、无法抵抗恶意攻击等问题。为了解决上述问题,提出了一种保护两方隐私的多类型的路网K近邻查询方案MTKNN-MPP。将改进的k-out-of-n不经意传输协议应用于K近邻查询方案中,实现了在保护车辆用户的查询内容隐私和LBSP的兴趣点信息隐私的同时,一次查询多种类型K近邻兴趣点。通过增设车载单元缓存机制,降低了计算代价和通信开销。安全性分析表明,MTKNN-MPP方案能够有效地保护车辆用户的位置隐私、查询内容隐私以及LBSP的兴趣点信息隐私,可以保证车辆的匿名性,能够抵抗合谋攻击、重放攻击、推断攻击、中间人攻击等恶意攻击。性能评估表明,与现有典型的K近邻查询方案相比,MTKNN-MPP方案具有更高的安全性,且在单一类型K近邻查询和多种类型K近邻查询中,查询延迟分别降低了43.23%~93.70%,81.07%~93.93%。
暂无评论