文摘
在移动云计算服务,智能手机可能取决于IoT-based云基础设施和信息存储工具进行技术差事,如追求、信息处理和网络相结合。除了传统的寻找机构、智能IoT-cloud经常升级正常临时结构将移动设备作为企业中心,例如,通过识别机构。这从一开始就有很多好处,与几个重大问题被克服,以增强坚定的云环境的一致性,而物联网连接和提高整个网络的决策支持系统。事实上,类似的问题适用于监控加载,云中的阻力和其他安全风险状态。现在,我们正在考虑改变安排在MATLAB程序利用心血管失败之后信息和保护信息RSA的协助下在移动云计算。支持向量机计算过,射频,DT, NB和资讯。结果,订单策略有最好的精确结果测试呼吸衰竭信息将推荐使用巨大的范围信息。相反,收集到的数据将被转移到移动云计算为保存使用RSA加密算法。
1。介绍
世界智能升级每一个行业的发展。内部通信的问题,需要从实现线模型获得想要的结果。今天的现代工业是由复杂的系统模型打算改进整体的过程。持续发展等行业所需的可靠性和效率决策支持系统(DSSs) [1]。
互联网被认为是最重要的发明,因为它允许用户让国际米兰——使用各种协议和intra-connections常规和便携式设备(2]。物联网在近几十年新出现的。大量的设备物联网环境中生成数据进一步处理和转发。设备连接与物联网环境所面临的主要问题是安全考虑不当在制造业。此外,这些设备有限内存和数据生成的每个设备都翻了一倍的内存大小。IoT-based云计算综合处理大量的数据。图1简要描述了物联网和云计算的合并,提高决策支持系统。
IoT-based云计算技术提供最好的实践是专注于市场研究(3]。
云计算通常提供了工具实体待命,时髦的传输,需要加强用户服务收费。这种技术提供了公用事业包括平台即服务(PaaS)、基础设施即服务(IaaS),和软件即服务(SaaS)。最大陆方式提供计算服务,可以远程访问(4]。此外,主要的焦点是(我)提供随需应变的解决方案,(ii)补偿发票,和(3)政府限制(5]。IoT-based云计算有多种应用,如基于web的管理。然而,云存储需要特定的数据库依赖于客户的需要;如果客户希望在自由空间举行他们的知识,云计算使服务器然后知识(数据)决策支持系统需要检查的及时和准确的测量。
加密技术被用于确保隐私的数据在云计算物联网(物联网),确保机密性。机器学习(ML)算法采用包括决策树(DT)、支持向量机(SVM),朴素贝叶斯(NB),K最近的邻居(资讯)和随机森林(RF) (6]。每个布局策略显示特点适宜性和特异性,取决于数据集的类型(7]。此外,有不同的评估测量观察表征技术,每一个人可能有帮助的依赖问题。云计算基本问题是数字卸货(i),(2)集中实现,和(3)动力学在先前的成分都进行了广泛的探讨。介绍了一些进一步的变化改革保护云本身,如保护结构(8)根据TCG (9),稳定再分配(10- - - - - -13),云网络防御(14,15),董事会工具和超然16,17),和保险(18,19]。IoT-cloud专业组织的主要关心的是确保机密性的记录创建和管理移动设备或云服务器20.]。数据/报告保密是非常重要的数据/纪录保持者,因为它可能会包括一些机密数据。
本研究研究的主要贡献如下:(我)五个不同的机器学习算法应用于数据集进行分类(2)RSA算法是利用数据安全(3)快速的加密和解密
剩下的纸是组织如下:部分2提供研究背景和相关的问题。部分3提供了方法。部分4提供了提供结果和讨论,以及结论部分5。
2。背景研究
机器学习算法被用于训练来解释输入变量申请类别(5]。有各种识别方法等数据DT,支持向量机,NB,资讯,射频,LogR, LR, NB,安,LC,决策树等等6,21]。协会的分类和使用分类器是很重要的22]。支持向量机(SVM)发现超平面(N特征)N维空间数据点的区别。(23]。SVM有几个有利的情况下,它执行得很好当束之间的分化是不证自明的越来越引人注目的高维度空间. .因为测试的数量超过数量的测量,它是有说服力的。
存在一些缺陷在SVM不处理大规模数据集。每个数据点都需要访问的训练数据集和支持向量机相比,被认为是最佳的选择K最近的邻居(资讯)。然而,训练元组都与n质量通常是指域的一个阶段n措施。现在的训练元组被放在一个空间n维过程。资讯分类器快速确定的样本空间k准备的元组是最类似于黑暗的元组。的K元组是最近的邻居最黑暗的元组(24,25]。“亲密”被称为分离度量,例如,欧几里得分离。欧几里得和两个元组或元组之间的区别X1 = (x11,x12、…x1n),X2 = (x21,x22、…x2n)是源于以下几点:
DT是一个树状布局流程图,每个内在的中心是一个功能检查和其他分支是结果26]。在树顶端中心是根中心。
在开发期间,选择优惠措施是用来挑选最好的资产而确定三个基本措施特征的知识,受益率,并获得指数。信息增益是描述如下: E是目标变量和在哪里Y该功能是分裂。
熵(E,Y)描述高亮显示的信息。树修剪预计感知和取出这些分支,与客观的改善在不显眼的分组信息的精度。随机森林(RF)可以用于选择过程。期望所有树都被分组来呈现过去的预测;类方法是用来收集信息和指示复发的期望。建议技术可用于解决测试的发展最终结论。
增加基础学习者数字(k)将降低方差。然而,k由于方差增加低。然而,对于整个周期,偏见保持不变。使用交叉验证k见以下方程:
移动计算降低了隐私和安全问题通常模拟资源管理(27]。安全的数据组织是基于民族中介时使用加密电话应用程序集成了移动数据的更好的方法。用户消费数据/记录存储在IoT-based云使用加密和值得信赖的计算。然而,diffie - hellman关键共享、双线性映射,merkle哈希树强迫使用一个稳定的知识所有权机制(28- - - - - -31日]。表1描述详细阐述了多个安全风险。
可证明的数据所有权(PDP)情节保证集群、机密性和一致性的移动消费IoT-based云上的数据处理。diffie - hellman对称密钥,密钥共享需要G1和GT是周期性的乘法与主要社会活动招聘q和g G1的发电机。双线性的解决方案是e上面:G1和G2 GT, G1和GT是周期性的乘法与主要招聘社会活动问和G1的发电机。Merkle哈希树(MHT)是利用一个类似的树,树叶代表实际结果的哈希计算。建立一个树必须验证的验证器。岩狸,Hadoop方法,促进云计算智能手机上,是由Arockiam和Monikandan32]。这提供了一种识别方法,数据交换和中间的入口点。尤金在分散的媒体执行搜索和数据共享方式的哲学。徐et al。33)建议方法,促进传统加密策略相结合的增强密码重置密码和转换。替代和置换方法的字母密码信。在他们的算法,纯文本最初翻译到适当的ASCII代码类型的每个字母。拉赫曼和Manickam34)建议agent-aid范式,通过融合多重代理网络和世界上打方法函数在庞大的云负载平衡问题。虽然提到研究、管理数据共享,促进云计算效率通过空间密集型应用程序,如分布式数据挖掘。此外,性情启发进化计算技术(E-AntHocNet)和鱼眼状态路由(FSR)可以考虑进一步改进35- - - - - -37]。
3所示。方法
该模型包含两个阶段。在最初的步骤中,我们将我们的信息传递给五分类模型。在第二步中,我们可以通过最高精度模型,我们提出的RSA算法。
图2描述了研究的进展,导致发展的模型。该模型由五个病人或疾病的技术数据直接发送到不同的分类技术。在这里,我们使用支持向量机分类技术,NV, DT,射频和资讯。支持向量机被接受为AI模型用于描述。1显示了RSA算法在经过所有这些技巧。
|
支持向量机的目标是实现两个类之间最卷边分离超平面(24]。超平面从未接近知识,侧重于不同的类更大的假设。超平面距离目标分类的信息。此外,最近的边缘(分类)是指导向量(38]。
朴素贝叶斯利用贝叶斯定理,这些特征数据,不知道和琐碎。它进一步提供信息的特定元素和不影响另外一个类中。此外,创建集群分类的可能性是非常严格的。为订单的数据,开创性的计算使用的是(25]。
随机森林是一个学习方法分类,涉及创建大量的选项树在很短的时间和交付一个类。个别树木,这类(顺序)或战略意味着预测(复发)。过度拟合他们准备组是由任意树倾向的选择。
决策树是基于监督学习技术和用于数据的分类。DT的主要目的是目标类的可能性。父节点及其子节点用于聚类的数据。DT检查这些节点更获得等(39]。
这些系统描述的数据和生成的结果。我们考虑结果的精度。最准确的策略被认为是在未来使用。这些策略的意义将检查在结果部分。
当一个人的结果是选择从五个可能的结果,信息必须保存的地方。因此,我们将我们的数据发送到云数据压缩的目的。然而,我们需要一个安全的方法,将数据发送到云。因为安全是头等大事,我们已经实现了RSA计算(40]在云上,确保数据安全。
客户端数据进行编码,然后存储在移动云计算使用RSA的技术。必要时,客户端提交一个请求到云供应商的信息,验证客户和传送信息。RSA是一种加密,防止每个消息被映射到一个数字。RSA是由两部分组成:公钥和私钥。
3.1。环境设置
本研究的重点是数据集分类的心脏病患者使用五种不同的技术。工具,我们使用的是分类的支持向量机,NB,射频,DT,资讯。这些技术有更多的根源,如支持向量机有6个类型:线性的,三次,二次,高斯,中高斯粗糙高斯。我们使用好的高斯SVM技术因为其准确性最高与类型。进一步的决策树有三个类型:复杂的树,简单的树,树中。在这些类型中,复杂的树更多的准确性我们使用好树分类的数据。第三种技术我们使用资讯。它有6个类型进一步:加权资讯,立方资讯,cos资讯,粗糙的资讯,细资讯,媒介资讯。所以,我们使用从再好的资讯,因为精度比其他类型的资讯。第四技术我们使用朴素贝叶斯。 It has 2 types further: Gaussian Naïve Bayes and Kernel Naïve Bayes. So, we are using Kernel Naïve Bayes because it has more accuracy than other types of Naïve Bayes. At the last, we are using bagged trees in Random Forest because it has highest accuracy than others.
根据最近的医学评估,如果因素如吸烟、胆固醇和糖尿病在一个国家,人们遭受心脏病可以减少了约15%。这Clevand罗伯特Detrano编纂的数据基础,包含303年出现76年属性。克利夫兰心脏病是最常用的数据集在UCI机器学习数据挖掘人员存储库,有76个变量。只有11个变量被受雇于研究人员预测和分析心脏疾病。表2显示我们已经考虑在整个研究心脏病发作的数据集。共有1311个实例从医疗数据集。它有11个数值属性。一个类有“0”值视为消极和其他类有“1”视为一个积极的对心脏病人。数据集最初从303例患者有76特性或品质;然而,只有选择11特性相关研究发表在预测心脏病。因此,我们将使用一个数据集的303名患者和11个特征。
年龄、性别、脑瘫、静息血压、胆固醇、空腹血糖测试,心电图,最大心率archieved, exhang oldpeak,结果属性用于本文表所示3。
对于表4安排,准确性,散点图,混淆矩阵,民国指标。
客户信息是第一个通过RSA加密后存储在云端。当客户端请求信息从云供应商,云供应商验证客户机,然后将信息发送给客户端。
在RSA中,每个消息分配一个整数,这是一个平方图。RSA是由两部分组成:公钥和私钥。在云环境中,每个人都可以访问的公钥,但只有与第一个访问客户端数据访问私钥。
3.2。加密和身份验证的数据
为了保证数据安全,所有数据包都使用私钥加密和解码,使用非对称加密提供身份验证。升级RSA加密方法作为解决方案。
3.2.1之上。密钥生成
我们选择两个不同的质数:一个= 61,b= 53。
过程n=一个 b以这种方式,n= 6153 = 3233。
工作过程欧拉totientØ(n)= (一个−1)(b−1)。因此,Ø(n)= (61−1)(53−1)= 6052 = 3120。
选择任何整数e,最终目标是1 <ecoprime 3120 < 3120。在这里,我们选择e= 17。
过程d,d=e−1 (modØ(n));因此,d= 17−1 3120年(mod) = 2753。
公钥是(e,n)=(3233)和私钥(d,n)= (2753,3233)。
3.2.2。加密
云合作为客户提供的公钥(3233)来存储信息。我们假设米= 65客户端映射信息。这些信息进一步编码专业合作社利用公钥C3233年= 6517 (mod) = 2790这是两党之间共享。云计算专业合作社目前存储这些编码的数据,即。,图的内容。
3.2.3。解密
当客户请求的信息,云专家合作验证客户端和发送加密的数据(如果客户是合法的)。
当时,云客户端计算解码信息,米Cd (mod =n3233年)= 27902753(国防部)= 65。
当米尊重了,客户端将回到第一信息。图3描述了RSA的流程图。
3.3。RSA算法RSA公共和私人密钥对生成
密钥交换和数字签名可以用RSA技术。RSA背后的数学是非常简单,尽管它是用于与数百位整数。
下面的步骤可以用来建立一个RSA公共和私人密钥对:(我)P和问两个质数。模量,n=魁人党使用这些数据,可以计算。(2)选择第三个数字,r,大大'的产品(p1)(问1);r是公众指数。(3)使用商((rs−1))/ ((p−1)(问−1)找到一个整数年代。私营指数所代表的整数年代。(iv)数对(n,r)的公钥。尽管这些数据是公开的,决定r从n和年代计算是不可能的,除非p和问是足够大的。(v)对消息进行加密,米使用方程生成密文C4和公钥。C=国防部(n)(4)(vi)然后,接收方使用私钥解密密文使用以下:
4所示。结果与讨论
如前所述,提出哲学甩的核心信息集合的理解。线性、立方、二次高斯,中高斯和粗高斯分类器是由支持向量机分类器处理简化参数为了找到理想的超平面,将追求空间划分为两类。SVM结构化信息分为两类分类器使用一套反应0和1的属性集的假设。图4显示了特征选择的研究中考虑。
图4描述的特征选择年龄、性别、脑瘫、静息血压、胆固醇、空腹血糖测试,心电图,最大心率archieved, exhang, oldpeak认为在这项研究中。
当我们讨论提出了方法论,总6使用技术。首先,疾病的数据被发送到不同的分类技术对数据分为两类进行分类。
在支持向量机中,有6种类型:线性支持向量机,二次SVM,立方SVM,高斯SVM,中高斯SVM和粗高斯SVM。通过所有这六个支持向量机,我们分类数据,我们发现最好的结果从精美的高斯SVM在所有支持向量机最大的精确度。
在朴素贝叶斯,有两种类型:高斯朴素贝叶斯和内核朴素贝叶斯。我们分类数据与这两个朴素贝叶斯,我们发现最好的结果从内核朴素贝叶斯与高斯朴素贝叶斯相比精度最高。
在决策树中,有三种类型:好树,中树,和粗的树。我们分类数据与这三个决策树,我们发现最好的结果从精美的树最高精度相对于其他两个。我们还通过随机森林分类数据。在资讯,有6种类型:好的资讯,媒介资讯,粗糙的资讯,加权资讯,立方资讯,cos资讯。我们分类数据与所有这六个资讯,我们发现最好的结果来自优良的资讯和所有资讯中精度最高。
表5在分类的基础上决定了分类器的性能。支持向量机的性能,NV, DT,射频,计算资讯。感触性、明确性、精确和f-measure计算,和准确性检查,为了分析分类器的性能。FP和FN -实例的比例不正确归类为正面和积极的情况下错误归类为负,分别。
的基础上分类情况下,表6决定了分类器的性能。准确确定和分析基于这些分类情况。总数的例子,SVM的性能测量的正确分类实例和错误分类的实例。四种不同的分类器真正的,真负,假阳性和假阴性的价值观。SVM最大显示正确积极的价值观,而资讯显示最低的假负值,DT显示最低的假阳性值,射频显示最高的假阴性值。
措施用于分类如表所示7TP、TN地址真阳性和真正的消极程度的积极的和消极的情况下真正独立。FP和FN解决假阳性和假阴性错误的程度的负例指定正面和积极的情况下,错误地命名为消极的程度。
数据5(一个)- - - - - -5 (d)和6(e)说明了特异性、敏感性、精密,f-measurement,和准确性,用于计算和估计分类器的有效性。图5(一个)表明,NB特异性最高。在数据5 (b)和5 (c),NB的最低灵敏度和精度0.844和0.824,分别。在图5 (c)和图5 (d),支持向量机达到最高精度和f-measure的0.984和0.954,分别。在图5 (e),多个分类器的精度所示百分比,SVM有最大的精度可达到0.974。支持向量机所有分类器精度最高。正确的百分比表示正面和负面的例子用TP、TN,分别。图5 (f)描述了分类模型的性能。在图5 (g)水平和垂直轴的散点图显示。如图5、FP和FN -实例的比例不正确标识为正面和积极的情况下错误归类为负面,分别。SVM的TP率为0.980,而资讯的速度0.963,DT率0.933,射频率为0.982,NB的率为0.802。SVM的FP率0.043,0.030的资讯,DT的0.14,0.050的射频,NB的0.330。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
每个分类器的预测速度和训练时间如表所示8,支持向量机预测最高速度每秒观察(观察/秒)和资讯有最快的训练时间。
图在图6代表一个文件大小为4 kb、8 kb、16 kb, 32 kb,和64 kb 16毫秒,31女士,47岁的女士,78毫秒,218毫秒时间使用RSA加密算法。
在RSA、交换与接收者的公钥用于解密请求。安全是一个专有的关键,是从未与他人共享。
图在图7代表一个文件的大小4、8、16、32和64 kb 15日,16日,16日,47岁的女士和47解密时间使用RSA算法。
如果关键尺寸是一样大小的数据包通过网络发送一个有效的密码系统会产生最好的结果。算法关注关键长度等参数,块大小、特性和功能。因为我们意识到数据在云存储的其他地方,我们需要快速的处理速度以及快速的保护。在这里,图在图6表示建议的成功案例需要多长时间来加密文件。
5。结论
一个asset-restricted IoT-based云移动电脑保存数据。然而,不断的一个重要的调查关于云专家处理适当的记录在移动云计算安全是最根本的问题。提出系统给出了一个安全系统,以确保对移动云计算的信息与RSA计算的援助和其他五个不同的智能分类技术。
提出了一种基于提出的方法论的分类方法对心脏病的数据进行分类。首先,数据集生成不同参数的心脏病。其次,基于这些数据,计算结果在“0”和“1”的形式。现在,生成的数据是直接将SVM,然而,NB,射频,DT分类。分类器的训练数据集的精度是99.80%,99.6%,82%,99.2%,和97.8%的支持向量机,然而,NB,射频,分别和DT。支持向量机与其他当代算法相比具有较高的精度。在未来,支持向量机可以用于分组的原因。RSA的执行计算提供了信息保障。云安全依赖于可靠的计算和加密。只有经批准的用户可以访问数据提出的工作。 However, if any intruder (unauthorized user) tries to attack the system to collect sensitive data, the original information will be secure and cannot be recovered.
数据可用性
使用的数据来支持这个研究的发现包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
作者特别感谢穆罕默德·阿布·哈桑在这研究持续的支持和帮助。这项研究得到了在布拉迪斯拉发Comenius大学管理学院,斯洛伐克。