移動云環(huán)境下的可信計算理論

目錄
前言
第1章 緒論 1
1.1 移動云計算概述 1
1.1.1 移動云計算的概念 1
1.1.2 移動云計算的模式類型 2
1.1.3 移動云計算的發(fā)展 3
1.1.4 移動云計算的挑戰(zhàn) 5
1.2 可信計算概述 5
1.2.1 可信計算的起源 5
1.2.2 可信計算的發(fā)展 6
1.2.3 可信計算的應用 6
1.3 移動云環(huán)境下的可信問題 8
1.4 本章小結 10
參考文獻 10
第2章 基于自適應編碼的用戶正常行為模式挖掘方法 14
2.1 引言 14
2.2 相關理論 15
2.2.1 遺傳算法 15
2.2.2 自律計算 18
2.3 用戶時序行為的用戶-時序-操作形式化描述 20
2.3.1 用戶時序行為結構化定義 20
2.3.2 用戶時序行為序列編碼結構 22
2.4 用戶正常行為模式挖掘過程 23
2.4.1 選擇 23
2.4.2 交叉 25
2.4.3 變異 26
2.4.4 算法偽代碼 27
2.5 仿真實驗及結果分析 28
2.5.1 仿真環(huán)境 28
2.5.2 仿真結果 28
2.6 本章小結 30
參考文獻 30
第3章 基于神經(jīng)網(wǎng)絡聚類的用戶異常行為分析方法 32
3.1 引言 32
3.2 用戶異常行為分析的系統(tǒng)模型 32
3.2.1 SVD模型 32
3.2.2 SVD并行處理模型 33
3.2.3 SVD降噪模型 33
3.2.4 BP神經(jīng)網(wǎng)絡模型 33
3.3 異常行為分析機制 34
3.3.1 SVD并行分解模型 34
3.3.2 SVD降噪模型 35
3.3.3 基于信息熵的BP神經(jīng)網(wǎng)絡模型 35
3.3.4 聚類模型 36
3.4 仿真結果與分析 38
3.4.1 實驗環(huán)境 38
3.4.2 評價指標 39
3.4.3 實驗過程 39
3.4.4 仿真結果 41
3.5 本章小結 44
參考文獻 44
第4章 一種基于信譽投票的用戶異常行為協(xié)同分析方法 45
4.1 引言 45
4.2 用戶行為異常協(xié)同分析模型 46
4.2.1 相關概念 46
4.2.2 信譽模型 47
4.2.3 D-Chord環(huán) 48
4.2.4 用戶行為異常協(xié)同分析模型 49
4.3 用戶行為異常協(xié)同分析算法 51
4.3.1 構造訓練樣本 51
4.3.2 選擇性集成分類器 52
4.3.3 信譽計算 53
4.3.4 雙向Chord環(huán)查找 55
4.4 用戶行為異常協(xié)同分析算法 56
4.5 實驗結果與分析 57
4.6 本章小結 61
參考文獻 61
第5章 基于選擇性聚類融合的用戶異常行為檢測方法 63
5.1 引言 63
5.2 相關技術 63
5.2.1 聚類 63
5.2.2 基于分形維數(shù)的聚類模型 67
5.3 基于分形維數(shù)的異常行為分析機制 68
5.3.1 數(shù)據(jù)獲取 69
5.3.2 聚類成員 69
5.3.3 選擇策略 70
5.3.4 聚類融合 70
5.3.5 異常檢測 71
5.4 仿真實驗及結果分析 72
5.4.1 實驗環(huán)境 72
5.4.2 評價標準 72
5.4.3 實驗過程 72
5.4.4 仿真結果 76
5.5 本章小結 78
參考文獻 78
第6章 基于Needleman-Wunsch算法的用戶時序行為實時判別方法 80
6.1 引言 80
6.2 Needleman-Wunsch算法概述 81
6.3 基于Needleman-Wunsch算法的用戶時序行為實時判別算法 82
6.3.1 算法概述 83
6.3.2 序列適應度 84
6.3.3 參考序列篩選 85
6.3.4 序列比對算法 85
6.3.5 自適應閾值算法 86
6.3.6 投票機制 86
6.3.7 結果反饋 86
6.4 仿真實驗及性能分析 87
6.4.1 仿真數(shù)據(jù) 87
6.4.2 算法驗證 88
6.4.3 性能比較 89
6.5 本章小結 90
參考文獻 91
第7章 基于多標簽超網(wǎng)絡的云用戶行為認定模型 92
7.1 引言 92
7.2 相關理論 92
7.2.1 分類算法 92
7.2.2 傳統(tǒng)的超網(wǎng)絡模型 93
7.3 云用戶行為認定模型 94
7.3.1 特征選擇 94
7.3.2 特征選擇 94
7.3.3 基于多標簽超網(wǎng)絡的異常行為劃分機制 95
7.4 仿真實驗及結果分析 98
7.4.1 實驗場景 98
7.4.2 仿真結果 100
7.5 本章小結 102
參考文獻 103
第8章 基于模式增長的異常行為識別與自主優(yōu)化方法 104
8.1 引言 104
8.2 基于模式增長的異常行為識別與自主優(yōu)化模型 105
8.2.1 相關概念 105
8.2.2 Map-Reduce模型 105
8.2.3 黑名單技術 106
8.2.4 模型描述 107
8.3 異常行為識別與自主優(yōu)化方法 107
8.3.1 帶有時間間隔約束的正常行為模式挖掘方法 108
8.3.2 基于分層匹配的用戶時序行為異常識別方法 110
8.3.3 基于模式增長的用戶時序行為自主優(yōu)化方法 113
8.3.4 基于模式增長的異常行為識別與自主優(yōu)化算法 115
8.4 仿真實驗與結果分析 115
8.5 本章小結 121
參考文獻 121
第9章 基于D-TF-IDF的移動微學習資源部署方法 123
9.1 引言 123
9.2 移動微學習資源部署的系統(tǒng)模型 123
9.2.1 TF-IDF算法模型 124
9.2.2 灰狼優(yōu)化方法模型 124
9.2.3 基于云的移動微學習服務提供模型 125
9.3 移動微學習資源部署的模型功能 126
9.3.1 分類模塊 126
9.3.2 兩層云架構模塊 128
9.3.3 灰狼優(yōu)化模塊 128
9.3.4 能耗計算 129
9.4 實驗結果與分析 132
9.4.1 實驗設置 132
9.4.2 實驗過程與結果 132
9.5 本章小結 139
參考文獻 139
第10章 基于遺傳算法的任務聯(lián)合執(zhí)行策略 141
10.1 引言 141
10.2 移動微學習的任務聯(lián)合執(zhí)行策略模型 142
10.2.1 相關概念 142
10.2.2 時間序列匹配模型 143
10.2.3 任務聯(lián)合執(zhí)行策略模型 144
10.3 問題描述 145
10.3.1 能耗描述 145
10.3.2 任務聯(lián)合執(zhí)行算法 148
10.4 實驗分析 150
10.4.1 實驗參數(shù) 150
10.4.2 實驗結果 150
10.5 本章小結 154
參考文獻 154
第11章 基于群體協(xié)作的移動終端節(jié)能方法 155
11.1 引言 155
11.2 移動微學習的群體協(xié)作模型 156
11.2.1 Random Waypoint協(xié)作模型 156
11.2.2 R-樹空間聚類模型 157
11.2.3 層次分析法模型 158
11.3 能耗計算 160
11.4 實驗分析 161
11.4.1 實驗參數(shù) 162
11.4.2 實驗結果 162
11.5 本章小結 166
參考文獻 166
第12章 帶語義的多層服務資源統(tǒng)一標識方法 167
12.1 引言 167
12.2 相關技術 167
12.2.1 資源信息編目格式 167
12.2.2 資源描述語言 171
12.3 服務資源統(tǒng)一標識 173
12.3.1 用戶資源請求分析 173
12.3.2 統(tǒng)一標識方法描述 175
12.4 仿真實驗與結果分析 176
12.4.1 場景設置 177
12.4.2 仿真結果 177
12.5 本章小結 180
參考文獻 180
第13章 基于Pastry技術的服務資源自主組織方法 182
13.1 引言 182
13.2 相關技術 183
13.2.1 P2P網(wǎng)絡 183
13.2.2 Pastry算法 184
13.3 基于Pastry技術的服務資源自主組織 187
13.3.1 云端資源自組織方法 188
13.3.2 云端節(jié)點加入 188
13.3.3 云端節(jié)點更新 189
13.3.4 云端資源請求路由過程 189
13.3.5 節(jié)點退出或失效 190
13.4 仿真實驗及結果分析 190
13.4.1 仿真場景 190
13.4.2 仿真結果 191
13.5 本章小結 193
參考文獻 193