基于雾计算的高效隐私保护感知大数据收集方法技术

本发明专利技术公开了一种基于雾计算的高效隐私保护感知大数据收集方法，通过设计了分层的雾计算辅助数据收集架构，使得计算任务可以在本地设备或者网络边缘设备上处理，从而避免与云中心的长距离通信，为探索感知数据的空时相关性提供了有效支持。同时，通过采样扰动加密方法，保护了数据隐私免受窃听者和主动攻击者的侵害，这种加密方法不会破坏数据的相关性，并且简化了对加密采样数据的解密和重建操作。同时，设计的雾节点数据处理模式与观测矩阵优化的模型，大大减少了冗余数据传输量，有效探索了空间相关性，还保证了数据能够被高精度地重建。

An Efficient Privacy Preservation Perception Large Data Collection Method Based on Fog Computing

【技术实现步骤摘要】
基于雾计算的高效隐私保护感知大数据收集方法
本专利技术属于无线通信网络、无线传感器网络
，具体涉及一种基于雾计算的高效隐私保护感知大数据收集方法。
技术介绍
对于无线传感器网络(Wirelesssensornetwork,WSN)、adhoc和物联网(Internetofthings,IoT)应用而言，数据收集是不可或缺的。通常，这些网络中的组件(如传感器等)是受到资源的限制的，因此如何克服这些制约因素，发展节能的数据收集以及构建绿色通信网络成为一个巨大挑战。当前已提出的用于实现高效数据收集的方案可大致分成如下三类：基于数学模型、基于压缩感知(Compressivesensing,CS)和基于查询驱动的近似数据收集方案。然而，这些传统的数据处理过程或者结构，已无法满足大数据场景下地高效数据收集和处理的需求。大规模数据通常伴随着数据收集、处理和存储的巨大负担。如何缓解这些压力、提高服务质量是一个巨大的挑战。雾计算(对云计算的补充)是通过在网络边缘(本地)设备上执行数据处理的新模型。它可以减轻云中心的数据处理负担，降低远程通信开销，显著改善用户体验。雾计算的优点使其可以应用于各个领域，为此提出了以下三种有代表性的方案：第一类方案设计了面向服务的雾计算架构，用于远程健康挖掘数据分析，并评估了不同数据挖掘和压缩技术对数据收集的影响。但是，这类方案并没有研究具体的数据挖掘和压缩方法，且没有考虑对健康数据来说十分重要的隐私保护问题。第二类方案设计了一种基于移动雾计算的数据收集方法，结合雾结构设计、最小成本调度算法和路由算法，最大限度地减少了传输时延、降低了传输能耗。但该方案忽略了利用感知数据的空时相关性，通过减少传感器读取的传输数量，进一步的降低能耗。第三类方案考虑了感知数据的时空相关性，将CS理论与低复杂度传感框架、网络编码、能耗模型和集群技术相结合，显著降低了数据采集的通信开销。第二类方案和第三类方案，具有很大的性能优势，但在数据的传输和处理过程中忽略了对敏感数据的隐私保护。
技术实现思路
针对上述技术问题，本专利技术设计了一种基于雾计算的高效隐私保护感知大数据收集方法，能够减少冗余数据的传输量，降低网络数据传输能耗和提高数据重建精度的雾计算辅助的高效隐私保护大数据感知方法。本专利技术解决其技术问题是通过以下技术方案实现的：一种基于雾计算的高效隐私保护感知大数据收集方法，包括如下步骤：(1)设计分层的感知雾计算架构，所述感知雾计算架构自下而上依次分为相互连通的感知层、雾层和用户层；感知层由K个簇组成，每个簇包含L个感知节点，感知节点的采样周期为N；雾层由K个与簇相互对应进行数据传输的雾节点i组成；(2)感知节点在数据采样过程中获得压缩数据，并对压缩数据进行加密后发送给雾层；(3)雾层中的雾节点i对从感知层接收到的加密数据执行空间压缩操作，且雾节点i将得到的空间压缩数据发送到用户层；(4)所述用户层对从雾层收集到的空间压缩数据进行重建和解密。进一步的，步骤(2)具体为：假设簇i∈{1,2,...K}中的感知节点p∈{1,2,...,L}其时间维度的原始数据为Xi,p＝[xi,p1xi,p2...xi,pN]，其中xi,pq,q∈{1,2,...,N}表示在簇i中感知节点p在时隙q时的数据；根据压缩采样理论，感知节点p可以在数据采样过程中获得压缩数据Yi,p＝Φ·Xi,p＝Φ·Ψ·Θi,p，其中，Φ∈Rn×N为观测矩阵，Ψ∈RN×N为对应Φ的稀疏基，Θi,p∈RN为稀疏系数向量，其中，R表示实数集，n表示经过时间维度上压缩采样后的数据大小，是一个自然数；针对压缩数据Yi,p进行采样扰动加密得到加密数据Y′i,p，所述采样扰动加密方法如下：其中Y′i,p∈Rn表示加密数据，表示密钥E和观测矩阵Φ做矩阵乘法的结果，即密钥E的元素满足高斯分布N(0,1/n)，最后，感知节点p将加密数据Y′i,p发送到雾节点i以进一步处理。进一步的，步骤(3)中将雾节点i接收到的加密数据Y′i,p排列为矩阵Y′i＝[Y′i,1Y′i,2...Y′i,L]，即每个簇具有L个感知节点，且Y′∈Rn×L，雾节点i对接收到的矩阵Y′i执行空间压缩操作，如下所示：其中，表示Y′i的转置，Φ′∈Rl×L表示空间观测矩阵，l表示经过空间维度上压缩采样后的L的大小，Ψ′∈RL×L表示对应Φ′的稀疏基，Θ′i,q∈RL,q′∈{1,2,...,n}表示空间维度的稀疏系数向量，表示n个时隙上的空间压缩数据。进一步的，基于步骤(3)中的空间观测矩阵Φ′与对应Φ′的稀疏基Ψ′，通过最小化矩阵Φ′与Ψ′的相关性来构造以下优化问题：其中，H和Hμ是满足上述条件的矩阵，而hab表示H第a行b列的元素；当H被固定时，上述优化问题的解决方法可以转换成以下格式，即最优观测矩阵Φ′*的求解问题：通过梯度下降法可以求得与稀疏基Ψ′相关性最低的最优观测矩阵Φ′*，从而得到更新的空间压缩数据Yi″T发送给用户层。进一步的，通过梯度下降法可以求得与稀疏基Ψ′相关性最低的最优观测矩阵Φ′*，具体为：首先将需要优化的目标函数定义为以下格式随后对Φ′求偏导，即接着将观测矩阵Φ′的迭代更新定义为：Φ′(t′,t+1)＝Φ′(t′,t)-4β·Φ′(t′,t)·Ψ′(Ψ′TΦ′T(t′,t)Φ(t′,t)Ψ-H)Ψ′T,其中，t和t′分别是内部迭代和外部迭代的次数，符号β表示迭代步长，为了减少Φ′和Ψ′之间的相关性，设置G的非对角线元素的上限，即|gab|≤μ，μ为给定的阈值，H的更新取决于μ的值，且该更新过程描述如下：其中，gab是G＝Ψ′TΦ′TΦ′Ψ′的第a行b列的元素；该方法获得最优观测矩阵Φ′*，雾节点i的空间压缩数据更新为Yi″T＝Φ′*·Yi′T＝Φ′*·Ψ′·Θ′i。进一步的，步骤(4)具体为：首先，为重建数据Y′i需解决以下优化问题：其中，表示空间压缩数据Yi″T的第q′列，时隙q′∈{1,2,...,n}，由于向量Θ′i,q′是稀疏的，并且空间压缩数据Yi″T和Φ′*·Ψ′是已知的，因此可以采用CS重建算法重建系数矩阵Θ′i；求解完上述优化问题，得到Θ′i的近似值时，通过下列等式得到Y′i的近似值其中Θ′i为稀疏系数向量Θ′i,q′按列组成的矩阵，表示簇i中所有加密采样数据的重建数据，在导出重建数据后，进行解密和重建原始数据Xi,p，需解决以下优化问题：其中，由于系数向量Θi,p是稀疏的，并且密钥E、观测矩阵Φ、对应Φ的稀疏基Ψ和是已知的，可以利用压缩感知重建算法求解出近似系数向量本专利技术的有益效果为：(1)本专利技术设计的分层感知雾计算架构，避免了感知节点与云端服务器之间的长距离通信，有效降低了通信能耗。此外，从时间和空间维度分别压缩原始的感知数据，减少了冗余数据的传输，进一步降低了通信开销；(2)本专利技术设计的采样扰动加密方法，实现了隐私保护，并且不会破坏数据之间相关性；(3)本专利技术设计的雾节点数据处理模式，显著减少了冗余数据传输量。构建的观测矩阵优化模型保证了原始数据的成功重建，并且进一步提高了数据的重建精度。附图说明图1是本专利技术设计的用于大数据感知网络下的雾计算辅助的分层数据收集架构；图2是本专利技术中利用采样扰动加密方法所采样数据和原始采样数据之间的比较；图3是本专利技术中本文档来自技高网...

【技术保护点】
1.一种基于雾计算的高效隐私保护感知大数据收集方法，其特征在于：包括如下步骤：(1)设计分层的感知雾计算架构，所述感知雾计算架构自下而上依次分为相互连通的感知层、雾层和用户层；感知层由K个簇组成，每个簇包含L个感知节点，感知节点的采样周期为N；雾层由K个与簇相互对应进行数据传输的雾节点i组成；(2)感知节点在数据采样过程中获得压缩数据，并对压缩数据进行加密后发送给雾层；(3)雾层中的雾节点i对从感知层接收到的加密数据执行空间压缩操作，且雾节点i将得到的空间压缩数据发送到用户层；(4)所述用户层对从雾层收集到的空间压缩数据进行重建和解密。

【技术特征摘要】
1.一种基于雾计算的高效隐私保护感知大数据收集方法，其特征在于：包括如下步骤：(1)设计分层的感知雾计算架构，所述感知雾计算架构自下而上依次分为相互连通的感知层、雾层和用户层；感知层由K个簇组成，每个簇包含L个感知节点，感知节点的采样周期为N；雾层由K个与簇相互对应进行数据传输的雾节点i组成；(2)感知节点在数据采样过程中获得压缩数据，并对压缩数据进行加密后发送给雾层；(3)雾层中的雾节点i对从感知层接收到的加密数据执行空间压缩操作，且雾节点i将得到的空间压缩数据发送到用户层；(4)所述用户层对从雾层收集到的空间压缩数据进行重建和解密。2.如权利要求1所述的一种基于雾计算的高效隐私保护感知大数据收集方法，其特征在于：步骤(2)具体为：假设簇i∈{1,2,...K}中的感知节点p∈{1,2,...,L}其时间维度的原始数据为Xi,p＝[xi,p1xi,p2…xi,pN]，其中xi,pq,q∈{1,2,...,N}表示在簇i中感知节点p在时隙q时的数据；根据压缩采样理论，感知节点p可以在数据采样过程中获得压缩数据Yi,p＝Φ·Xi,p＝Φ·Ψ·Θi,p，其中，Φ∈Rn×N为观测矩阵，Ψ∈RN×N为对应Φ的稀疏基，Θi,p∈RN为稀疏系数向量，其中，R表示实数集，n表示经过时间维度上压缩采样后的数据大小，是一个自然数；针对压缩数据Yi,p进行采样扰动加密得到加密数据Y′i,p，所述采样扰动加密方法如下：其中Y′i,p∈Rn表示加密数据，表示密钥E和观测矩阵Φ做矩阵乘法的结果，即密钥E的元素满足高斯分布N(0,1/n)，最后，感知节点p将加密数据Y′i,p发送到雾节点i以进一步处理。3.如权利要求2所述的一种基于雾计算的高效隐私保护感知大数据收集方法，其特征在于：步骤(3)中将雾节点i接收到的加密数据Y′i,p排列为矩阵Yi′＝[Y′i,1Y′i,2…Y′i,L]，即每个簇具有L个感知节点，且Y′∈Rn×L，雾节点i对接收到的矩阵Yi′执行空间压缩操作，如下所示：Yi″T＝Φ′·Yi′T＝Φ′·[Y′i,1Y′i,2…Y′i,L]T＝Φ′·Ψ′·Θ′i＝Φ′·Ψ′·[Θ′i,1Θ′i,2…Θ′i,n],其中，Yi′T表示Yi′的转置，Φ′∈Rl×L表示空间观测矩阵，l表示经过空间维度上压缩采样后的L的大小，Ψ′∈RL×L表示对应Φ′的稀疏基，Θ′i,q∈RL,q′∈{1,...

【专利技术属性】
技术研发人员：陈思光，朱曦，汤蓓，王晓玲，王堃，代海波，孙雁飞，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32