数字图像审计是用户验证云端图像完整性的重要方法,但目前不成熟的实时图像审计方案只能重复验证一张图像。为满足云存储中数字图像审计的及时性和实时性,提出数字图像自适应审计(Self-Adaptive Audit of Digital Images,SAADI)模型。首...
详细信息
数字图像审计是用户验证云端图像完整性的重要方法,但目前不成熟的实时图像审计方案只能重复验证一张图像。为满足云存储中数字图像审计的及时性和实时性,提出数字图像自适应审计(Self-Adaptive Audit of Digital Images,SAADI)模型。首先,SAADI模型将多个图像文件合并为一个文件组,第三方审计者(the Third Party Audit,TPA)批量验证多个文件组中的图像文件,并利用可逆的数字图像水印作为验证图像完整性的证据,提高审计效率。其次,针对第一阶段异常操作不易被及时发现的问题,SAADI模型引入敏感值的概念在初始阶段制定文件组的审计周期和识别率,审计周期和识别率组成的审计强度能够满足实际审计需求。最后,依据挑战信息的发起者将审计请求分为主动请求和被动请求。在保证周期审计正常执行的同时,实现用户实时验证待访问的图像,允许用户随时访问云端图像。理论分析和实验结果表明,SAADI模型在性能和安全性上具有明显优势。
密度峰值聚类算法(Density peaks clustering,DPC)是一种基于密度的新型聚类算法。该算法的优点十分显著:所需参数较少,没有迭代过程,能自适应获得聚类数目并识别任意形状的簇类。该算法也有一些问题亟待解决:(1)在决策图上人工选择聚...
详细信息
密度峰值聚类算法(Density peaks clustering,DPC)是一种基于密度的新型聚类算法。该算法的优点十分显著:所需参数较少,没有迭代过程,能自适应获得聚类数目并识别任意形状的簇类。该算法也有一些问题亟待解决:(1)在决策图上人工选择聚类中心,产生聚类误差;(2)在密度不同的流形数据集上聚类效果不佳。针对这些不足,该文提出一种基于电子分层模型和凝聚策略的密度峰值聚类算法(Density peaks clustering based on electronic shells model and merging strategy,EMDPC)。其利用电子分层模型计算每个数据点的局部密度,更易识别出低密度簇;通过子簇凝聚策略自适应识别簇类数目,降低了人工选取聚类中心时误差发生的概率;并且子簇凝聚策略能较好地解决DPC在密度不均匀的流形数据上聚类效果不佳的问题。实验分析表明基于电子分层模型和凝聚策略的密度峰值聚类算法具有较高的精度和较好的聚类性能,其结果优于其他先进的聚类算法。
暂无评论