传统教育大数据管理面临隐私数据泄露、数据可信度存疑和越权访问等安全风险,为了避免上述风险,提出了一种新型基于智能合约的教育大数据安全管理与隐私保护算法:ASPES(algorithm for security management and privacy protection of ed...传统教育大数据管理面临隐私数据泄露、数据可信度存疑和越权访问等安全风险,为了避免上述风险,提出了一种新型基于智能合约的教育大数据安全管理与隐私保护算法:ASPES(algorithm for security management and privacy protection of education big data based on smart contracts),算法融合了基于Shamir秘密共享的密钥切割改进分享算法、基于SM2-SHA256-AES算法的混合加密算法和基于分层数据访问控制的智能合约管理算法.在真实数据集MOOCCube上的实验结果表明,相较于较先进的方法,ASPES的执行效率和安全性有显著提高,可以有效存储和管理教育大数据,实现教育资源的合理分配.ASPES通过向区块链中嵌入智能合约,将数据读写等操作上链,能够优化管理路径、提高管理效率,保证教育公平,极大地提升教育质量.展开更多
数据是智能电网建设的战略资源乃至主要驱动力。如何处理智能电网中呈现海量、多样、实时、真实等4个特征的4 Vs数据,并从中提取信息,是电力系统大数据建设所面临的核心问题。描述了大数据的特征和引入了随机矩阵理论作为基础,以及提出...数据是智能电网建设的战略资源乃至主要驱动力。如何处理智能电网中呈现海量、多样、实时、真实等4个特征的4 Vs数据,并从中提取信息,是电力系统大数据建设所面临的核心问题。描述了大数据的特征和引入了随机矩阵理论作为基础,以及提出电力系统大数据的应用思路和架构。具体电力应用方面,介绍了所开发的早期事件发现、事件诊断和定位、相关性分析、可视化3D Power Map辅助展示等一系列功能。在此基础上,建立起以随机矩阵为理论基础,以数据为主要驱动力的电力系统认知体系框架,并探讨其与传统经典认知方案的区别。进一步设计案例考查了其对坏数据的鲁棒能力,其结果表明,随机矩阵理论这种工具可以有效地处理电网中的复杂数据,具有很好的学术研究意义和工程应用价值。另通过仿真算例验证了随机矩阵方案对数据异步的鲁棒性。展开更多
提出了一种传感器网络中安全高效的空间数据聚集算法SESDA(secure and energy-efficient spatial data aggregation algorithm).SESDA基于路线方法实现数据聚集,由于算法沿着已设计好的路线执行聚集请求和数据聚集,使得SESDA不受网络拓...提出了一种传感器网络中安全高效的空间数据聚集算法SESDA(secure and energy-efficient spatial data aggregation algorithm).SESDA基于路线方法实现数据聚集,由于算法沿着已设计好的路线执行聚集请求和数据聚集,使得SESDA不受网络拓扑结构的影响,适用于网络拓扑结构动态变化的传感器网络,且节省了网络拓扑结构的维护消耗.此外,针对过多加/解密操作对节点能量急剧消耗的特点,SESDA通过安全通道传输感知数据来保证数据的隐私性,避免了节点之间在数据传输过程中需要对感知数据进行加/解密操作,不仅可以节约节点大量的能量从而延长网络寿命,而且使得数据聚集具有很小的处理延迟,因而获得较高的聚集精确度.理论分析和实验结果显示,SESDA具有低通信量、低能耗、高安全性和高精确度的特点.展开更多
文摘传统教育大数据管理面临隐私数据泄露、数据可信度存疑和越权访问等安全风险,为了避免上述风险,提出了一种新型基于智能合约的教育大数据安全管理与隐私保护算法:ASPES(algorithm for security management and privacy protection of education big data based on smart contracts),算法融合了基于Shamir秘密共享的密钥切割改进分享算法、基于SM2-SHA256-AES算法的混合加密算法和基于分层数据访问控制的智能合约管理算法.在真实数据集MOOCCube上的实验结果表明,相较于较先进的方法,ASPES的执行效率和安全性有显著提高,可以有效存储和管理教育大数据,实现教育资源的合理分配.ASPES通过向区块链中嵌入智能合约,将数据读写等操作上链,能够优化管理路径、提高管理效率,保证教育公平,极大地提升教育质量.
文摘数据是智能电网建设的战略资源乃至主要驱动力。如何处理智能电网中呈现海量、多样、实时、真实等4个特征的4 Vs数据,并从中提取信息,是电力系统大数据建设所面临的核心问题。描述了大数据的特征和引入了随机矩阵理论作为基础,以及提出电力系统大数据的应用思路和架构。具体电力应用方面,介绍了所开发的早期事件发现、事件诊断和定位、相关性分析、可视化3D Power Map辅助展示等一系列功能。在此基础上,建立起以随机矩阵为理论基础,以数据为主要驱动力的电力系统认知体系框架,并探讨其与传统经典认知方案的区别。进一步设计案例考查了其对坏数据的鲁棒能力,其结果表明,随机矩阵理论这种工具可以有效地处理电网中的复杂数据,具有很好的学术研究意义和工程应用价值。另通过仿真算例验证了随机矩阵方案对数据异步的鲁棒性。
文摘提出了一种传感器网络中安全高效的空间数据聚集算法SESDA(secure and energy-efficient spatial data aggregation algorithm).SESDA基于路线方法实现数据聚集,由于算法沿着已设计好的路线执行聚集请求和数据聚集,使得SESDA不受网络拓扑结构的影响,适用于网络拓扑结构动态变化的传感器网络,且节省了网络拓扑结构的维护消耗.此外,针对过多加/解密操作对节点能量急剧消耗的特点,SESDA通过安全通道传输感知数据来保证数据的隐私性,避免了节点之间在数据传输过程中需要对感知数据进行加/解密操作,不仅可以节约节点大量的能量从而延长网络寿命,而且使得数据聚集具有很小的处理延迟,因而获得较高的聚集精确度.理论分析和实验结果显示,SESDA具有低通信量、低能耗、高安全性和高精确度的特点.
