大數(shù)據(jù)可信計算

目錄
前言
第1章 原位虛擬大數(shù)據(jù)中心平臺體系1
1.1 背景與問題1
1.2 原位虛擬數(shù)據(jù)中心平臺的體系結(jié)構(gòu)2
1.3 多源數(shù)據(jù)資源匯聚4
1.3.1 數(shù)據(jù)資源原位匯聚存儲模型4
1.3.2 數(shù)據(jù)資源原位匯聚與更新方法5
1.4 基于用戶訪問區(qū)域的云邊數(shù)據(jù)自適配存儲7
1.4.1 問題的提出7
1.4.2 基于用戶訪問區(qū)域的模型7
1.4.3 存儲自適配優(yōu)化算法11
1.4.4 實驗分析15
1.5 數(shù)據(jù)刪除階段的數(shù)據(jù)一致性技術22
1.5.1 問題的提出22
1.5.2 WFT-net模型22
1.5.3 數(shù)據(jù)不一致模型26
1.5.4 數(shù)據(jù)不一致檢測算法27
1.6 數(shù)據(jù)不一致性問題的啟發(fā)式檢測28
1.6.1 問題的提出28
1.6.2 數(shù)據(jù)不一致性的啟發(fā)式檢測模型29
1.6.3 數(shù)據(jù)不一致性的啟發(fā)式檢測方法35
1.7 本章小結(jié)38
參考文獻38
第2章 大數(shù)據(jù)感知與勘探技術42
2.1 網(wǎng)絡數(shù)據(jù)勘探器構(gòu)造42
2.2 大數(shù)據(jù)感知方法44
2.2.1 Web數(shù)據(jù)采樣引導算法44
2.2.2 內(nèi)部數(shù)據(jù)庫API采樣引導算法44
2.3 大數(shù)據(jù)勘探方法45
2.3.1 Web數(shù)據(jù)采樣估算算法45
2.3.2 內(nèi)部數(shù)據(jù)庫API采樣估算算法46
2.3.3 數(shù)據(jù)勘探器的實驗驗證與分析46
2.4 融合文本與鏈接的主題建模方法49
2.4.1 問題的提出49
2.4.2 關聯(lián)主題分析模型50
2.4.3 CopulaPLSA模型64
2.5 本章小結(jié)75
參考文獻75
第3章 多源多維數(shù)據(jù)融合計算技術78
3.1 基于動態(tài)加權信息熵的交易數(shù)據(jù)不均衡去噪方法78
3.1.1 問題的提出78
3.1.2 動態(tài)加權信息熵80
3.1.3 實驗驗證83
3.2 多源多維數(shù)據(jù)的無標簽數(shù)據(jù)處理93
3.2.1 問題的提出93
3.2.2 無標簽數(shù)據(jù)的處理方法93
3.3 基于異質(zhì)圖神經(jīng)網(wǎng)絡的抽取式文本摘要方法94
3.3.1 問題的提出94
3.3.2 MHGS模型95
3.3.3 文本圖構(gòu)建模型96
3.3.4 異質(zhì)圖更新層計算96
3.3.5 實驗效果97
3.4 基于關系圖譜的特征提取方法98
3.4.1 問題的提出98
3.4.2 數(shù)據(jù)清洗98
3.4.3 基礎特征提取100
3.4.4 構(gòu)建關系圖譜101
3.4.5 基于圖嵌入的隱含特征提取103
3.4.6 實驗與分析106
3.5 本章小結(jié)109
參考文獻109
第4章 基于多模型融合的信用評估技術111
4.1 基于回歸方法的自動化特征建模方法111
4.1.1 問題描述與整體框架111
4.1.2 基于距離相關系數(shù)的特征對挖掘方法113
4.1.3 基于回歸技術的新特征生成技術115
4.1.4 基于*大信息系數(shù)的特征選擇方法117
4.1.5 實驗驗證119
4.2 面向信用評估的動態(tài)機器學習模型121
4.2.1 問題描述與整體框架121
4.2.2 基于SVM的自適應滑動窗口的樣本劃分方法122
4.2.3 基于集成學習的動態(tài)權重調(diào)節(jié)模型125
4.2.4 基于樣本權重的基分類器設計方法127
4.2.5 面向信用評估的動態(tài)機器學習模型實驗驗證128
4.3 協(xié)同交易排序和評分的可信個體行為建模方法133
4.3.1 問題的提出133
4.3.2 交易標簽的可信性度量134
4.3.3 可信個體行為畫像框架134
4.3.4 基于虛擬**系統(tǒng)的可信個體行為畫像方法136
4.3.5 基于可信個體行為模型的欺詐檢測算法142
4.3.6 實驗設定143
4.3.7 實驗結(jié)果145
4.4 本章小結(jié)152
參考文獻152
第5章 大數(shù)據(jù)安全的測試與評估技術155
5.1 大數(shù)據(jù)安全測評系統(tǒng)體系155
5.1.1 背景與問題155
5.1.2 大數(shù)據(jù)安全測評體系架構(gòu)155
5.1.3 大數(shù)據(jù)安全測評系統(tǒng)流程156
5.2 大數(shù)據(jù)價值安全風險評估方法157
5.2.1 風險評估指標158
5.2.2 價值風險評估框架158
5.2.3 價值風險等級評估159
5.3 有限訪問下流數(shù)據(jù)鉆井采樣方法及評估模型160
5.3.1 問題的提出160
5.3.2 有限訪問下流數(shù)據(jù)鉆井采樣方法161
5.3.3 流數(shù)據(jù)集整體特征評估模型166
5.3.4 實驗與分析168
5.4 LBS中的cPIR框架177
5.4.1 二次剩余假設簡介177
5.4.2 cPIR框架179
5.4.3 隱私保護等級度量181
5.4.4 多比特位返回值182
5.5 用戶行為被盜與行為對抗方法182
5.5.1 問題的提出182
5.5.2 用戶交互行為畫像的生成183
5.5.3 行為漂移引導模型的建立186
5.5.4 實驗評估195
5.6 本章小結(jié)200
參考文獻200
第6章 原位虛擬大數(shù)據(jù)中心平臺系統(tǒng)203
6.1 系統(tǒng)總體框架及其流程203
6.2 系統(tǒng)各模塊設計205
6.2.1 登錄入口205
6.2.2 業(yè)務配置206
6.2.3 勘探評估206
6.2.4 聚類演化208
6.2.5 資源服務209
6.2.6 數(shù)據(jù)資源管理210
6.3 系統(tǒng)實現(xiàn)212
6.3.1 登錄注冊212
6.3.2 主頁詳情213
6.3.3 勘探器配置214
6.3.4 勘探評估216
6.3.5 演化器配置220
6.3.6 演化分析223
6.3.7 資源服務226
6.3.8 數(shù)據(jù)資源管理228
6.4 本章小結(jié)230
參考文獻230
第7章 基于區(qū)塊鏈的大數(shù)據(jù)共享與協(xié)作系統(tǒng)231
7.1 系統(tǒng)總體框架及系統(tǒng)流程231
7.1.1 系統(tǒng)總體框架231
7.1.2 數(shù)據(jù)共享子系統(tǒng)232
7.1.3 協(xié)作學習子系統(tǒng)232
7.2 系統(tǒng)各模塊設計235
7.2.1 登錄入口235
7.2.2 數(shù)據(jù)鏈概貌235
7.2.3 數(shù)據(jù)瀏覽與下載237
7.2.4 數(shù)據(jù)上傳與上鏈237
7.2.5 數(shù)據(jù)生命周期管理237
7.2.6 學習鏈概貌239
7.2.7 項目瀏覽與參與239
7.2.8 協(xié)作項目發(fā)起與管理239
7.2.9 協(xié)作項目開發(fā)240
7.3 系統(tǒng)實現(xiàn)242
7.3.1 主頁詳情242
7.3.2 數(shù)據(jù)鏈概貌242
7.3.3 數(shù)據(jù)瀏覽與下載242
7.3.4 數(shù)據(jù)上傳與上鏈244
7.3.5 生命周期管理246
7.3.6 用戶行為監(jiān)控247
7.3.7 學習鏈概貌248
7.3.8 項目瀏覽與參與248
7.3.9 項目發(fā)起與管理249
7.3.10 協(xié)作項目開發(fā)250
7.4 本章小結(jié)252
參考文獻252
第8章 可信金融交易風險防控系統(tǒng)254
8.1 系統(tǒng)總體框架及系統(tǒng)流程254
8.2 系統(tǒng)各模塊設計256
8.2.1 登錄入口256
8.2.2 業(yè)務申請257
8.2.3 服務配置257
8.2.4 業(yè)務調(diào)度258
8.2.5 系統(tǒng)監(jiān)控258
8.2.6 數(shù)據(jù)發(fā)送259
8.2.7 模型管理260
8.2.8 數(shù)據(jù)生成260
8.2.9 交易審核261
8.2.10 風險區(qū)域預警261
8.2.11 設備分析263
8.2.12 群體行為分析263
8.2.13 個體行為分析264
8.2.14 關系網(wǎng)絡分析264
8.2.15 實時監(jiān)控264
8.3 系統(tǒng)實現(xiàn)265
8.3.1 主頁詳情265
8.3.2 業(yè)務申請266
8.3.3 服務配置268
8.3.4 數(shù)據(jù)發(fā)送269
8.3.5 模型監(jiān)控269
8.3.6 資源監(jiān)控272
8.3.7 攔截數(shù)據(jù)審核272
8.3.8 個體行為分析273
8.4 本章小結(jié)275
參考文獻275
彩圖