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簇i的雾节点组成;
(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)雾层中的簇i的雾节点对从感知层接收到的加密数据执行空间压缩操作,且簇i的雾节点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;
其中,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,p1 xi,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在数据采样过程中获得压缩数据Yi,p=Φ·Xi,p=Φ·Ψ·n×N N×N NΘi,p,其中,Φ∈R 为观测矩阵,Ψ∈R 为对应Φ的稀疏基,Θi,p∈R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:n
其中Y′i,p∈R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;
步骤(3)中将簇i的雾节点接收到的加密数据Y′i,p排列为矩阵Y′i=[Y′i,1Y′i,2...Yn×L′i,L],即每个簇具有L个感知节点,且Y′∈R ,簇i的雾节点对接收到的矩阵Y′i执行空间压缩操作,如下所示:T l×L
其中,Y′i表示Y′i的转置,Φ′∈R 表示空间观测矩阵,l表示经过空间维度上压缩采L×L L样后的L的大小,Ψ′∈R 表示对应Φ′的稀疏基,Θ′i,q∈R ,q′∈{1,2,...,n}表示空间维T l×n度的稀疏系数向量,Y″i∈R 表示n个时隙上的空间压缩数据。
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: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: 通过梯度下降法求得与稀疏基Ψ′相关性最低的最* T
优观测矩阵Φ′,从而得到更新的空间压缩数据Y″i发送给用户层。
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:通过梯度下降法求得与稀疏基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)=T T T
Φ′(t′,t)‑4β·Φ′(t′,t)·Ψ′(Ψ′Φ′(t′,t)Φ(t′,t)Ψ‑H)Ψ′,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:T T
其中,gab是G=Ψ′Φ′Φ′Ψ′的第a行b列的元素;
* T * T
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Y″i =Φ′·Y′i =*Φ′·Ψ′·Θ′i。
4.如权利要求3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(4)具体为:首先,为重建数据Y′i需解决以下优化问题:
T
其中, 表示空间压缩数据Y″i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Y″iT和Φ′·Ψ′是已知的,因此采用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,利用压缩感知重建算法求解出近似系数向量