【技术实现步骤摘要】
本专利技术涉及人工智能的数据安全，特别是涉及一种局部异常因子检测的安全外包计算方法及系统。
技术介绍
1、智能巡检是通过机器学习等人工智能算法，从海量的设备运维数据中学习并进行建模，并根据建立的机器学习模型，对新产生的运维数据进行故障检测和分类的方式，能够提高设备巡检效率，节省人工成本，同时通过对多类数据的综合分析，避免人工的错检、漏检等问题。在实际应用中，针对单个故障因子进行检测时，常使用机器学习中基于聚类的故障检测算法，根据海量的历史数据构建聚类模型，判断待测数据是否异常。
2、基于聚类的局部异常因子检测（cluster-based local outlier factor，cblof）算法是通过对数据聚类，区分出大簇和小簇，再计算待测数据的异常分数，从而判断其是否是异常因子的检测方法，适用于具有簇状结构的数据集，即正常数据簇状聚集、异常数据孤立存在的模型，在智能巡检方面有广泛的应用，尤其是在网络安全和金融领域的异常检测中取得了良好的效果。在传统的计算过程中，通过聚类、分簇得到算法模型后，为了评估新的待测点是否异常，需要...
【技术保护点】
1.一种局部异常因子检测的安全外包计算方法，其特征在于，应用于第三方计算中心端，包括：
2.一种局部异常因子检测的安全外包计算方法，其特征在于，应用于服务器端，包括：
3.一种局部异常因子检测的安全外包计算方法，其特征在于，包括：
4.如权利要求1-3任一项所述的局部异常因子检测的安全外包计算方法，其特征在于，待测点运维数据由客户端进行加密后发送至第三方计算中心，历史聚类中心点由边缘计算器存储并进行加密后发送至第三方计算中心，客户端和边缘计算器进行加密时所采用的公钥以及对同态加密运算结果进行解密时所采用的私钥均由服务器生成。
...【技术特征摘要】
1.一种局部异常因子检测的安全外包计算方法，其特征在于，应用于第三方计算中心端，包括：
2.一种局部异常因子检测的安全外包计算方法，其特征在于，应用于服务器端，包括：
3.一种局部异常因子检测的安全外包计算方法，其特征在于，包括：
4.如权利要求1-3任一项所述的局部异常因子检测的安全外包计算方法，其特征在于，待测点运维数据由客户端进行加密后发送至第三方计算中心，历史聚类中心点由边缘计算器存储并进行加密后发送至第三方计算中心，客户端和边缘计算器进行加密时所采用的公钥以及对同态加密运算结果进行解密时所采用的私钥均由服务器生成。
5.如权利要求4所述的局部异常因子检测的安全外包计算方法，其特征在于，对待测点运维数据和历史聚类中心点进行加密的过程包括，其中，为公钥参数，是随机数，m为待加密数据，为加密函数。
6.如权利要求1-3任一项所述的局部异常因子检测的安全外包计算方法，其特征在于，第三方计算中心根据加密后的待测点运维数据和历史聚类中心点执行乘法同态运算的过...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。