掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
移動云環境下的可信計算理論 版權信息
- ISBN：9787030703491
- 條形碼：9787030703491 ; 978-7-03-070349-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
移動云環境下的可信計算理論 內容簡介
本書從全新的角度研究了移動云計算的可信計算理論和方法。在云環境下，通過用戶、環境、服務三個維度所涉及的服務資源之間的協作與配合，實現彼此之間的互相映射與協調（或約束），在保證用戶身份和用戶操作可靠與安全的前提下，依據用戶的個性化服務需求和能耗情況，智能決策服務提供模式，快速映射或動態調配服務資源，保障向用戶提供滿足需求的連續云服務
移動云環境下的可信計算理論 目錄
目錄 前言 第1章 緒論 1 1.1 移動云計算概述 1 1.1.1 移動云計算的概念 1 1.1.2 移動云計算的模式類型 2 1.1.3 移動云計算的發展 3 1.1.4 移動云計算的挑戰 5 1.2 可信計算概述 5 1.2.1 可信計算的起源 5 1.2.2 可信計算的發展 6 1.2.3 可信計算的應用 6 1.3 移動云環境下的可信問題 8 1.4 本章小結 10 參考文獻 10 第2章 基于自適應編碼的用戶正常行為模式挖掘方法 14 2.1 引言 14 2.2 相關理論 15 2.2.1 遺傳算法 15 2.2.2 自律計算 18 2.3 用戶時序行為的用戶-時序-操作形式化描述 20 2.3.1 用戶時序行為結構化定義 20 2.3.2 用戶時序行為序列編碼結構 22 2.4 用戶正常行為模式挖掘過程 23 2.4.1 選擇 23 2.4.2 交叉 25 2.4.3 變異 26 2.4.4 算法偽代碼 27 2.5 仿真實驗及結果分析 28 2.5.1 仿真環境 28 2.5.2 仿真結果 28 2.6 本章小結 30 參考文獻 30 第3章 基于神經網絡聚類的用戶異常行為分析方法 32 3.1 引言 32 3.2 用戶異常行為分析的系統模型 32 3.2.1 SVD模型 32 3.2.2 SVD并行處理模型 33 3.2.3 SVD降噪模型 33 3.2.4 BP神經網絡模型 33 3.3 異常行為分析機制 34 3.3.1 SVD并行分解模型 34 3.3.2 SVD降噪模型 35 3.3.3 基于信息熵的BP神經網絡模型 35 3.3.4 聚類模型 36 3.4 仿真結果與分析 38 3.4.1 實驗環境 38 3.4.2 評價指標 39 3.4.3 實驗過程 39 3.4.4 仿真結果 41 3.5 本章小結 44 參考文獻 44 第4章 一種基于信譽投票的用戶異常行為協同分析方法 45 4.1 引言 45 4.2 用戶行為異常協同分析模型 46 4.2.1 相關概念 46 4.2.2 信譽模型 47 4.2.3 D-Chord環 48 4.2.4 用戶行為異常協同分析模型 49 4.3 用戶行為異常協同分析算法 51 4.3.1 構造訓練樣本 51 4.3.2 選擇性集成分類器 52 4.3.3 信譽計算 53 4.3.4 雙向Chord環查找 55 4.4 用戶行為異常協同分析算法 56 4.5 實驗結果與分析 57 4.6 本章小結 61 參考文獻 61 第5章 基于選擇性聚類融合的用戶異常行為檢測方法 63 5.1 引言 63 5.2 相關技術 63 5.2.1 聚類 63 5.2.2 基于分形維數的聚類模型 67 5.3 基于分形維數的異常行為分析機制 68 5.3.1 數據獲取 69 5.3.2 聚類成員 69 5.3.3 選擇策略 70 5.3.4 聚類融合 70 5.3.5 異常檢測 71 5.4 仿真實驗及結果分析 72 5.4.1 實驗環境 72 5.4.2 評價標準 72 5.4.3 實驗過程 72 5.4.4 仿真結果 76 5.5 本章小結 78 參考文獻 78 第6章 基于Needleman-Wunsch算法的用戶時序行為實時判別方法 80 6.1 引言 80 6.2 Needleman-Wunsch算法概述 81 6.3 基于Needleman-Wunsch算法的用戶時序行為實時判別算法 82 6.3.1 算法概述 83 6.3.2 序列適應度 84 6.3.3 參考序列篩選 85 6.3.4 序列比對算法 85 6.3.5 自適應閾值算法 86 6.3.6 投票機制 86 6.3.7 結果反饋 86 6.4 仿真實驗及性能分析 87 6.4.1 仿真數據 87 6.4.2 算法驗證 88 6.4.3 性能比較 89 6.5 本章小結 90 參考文獻 91 第7章 基于多標簽超網絡的云用戶行為認定模型 92 7.1 引言 92 7.2 相關理論 92 7.2.1 分類算法 92 7.2.2 傳統的超網絡模型 93 7.3 云用戶行為認定模型 94 7.3.1 特征選擇 94 7.3.2 特征選擇 94 7.3.3 基于多標簽超網絡的異常行為劃分機制 95 7.4 仿真實驗及結果分析 98 7.4.1 實驗場景 98 7.4.2 仿真結果 100 7.5 本章小結 102 參考文獻 103 第8章 基于模式增長的異常行為識別與自主優化方法 104 8.1 引言 104 8.2 基于模式增長的異常行為識別與自主優化模型 105 8.2.1 相關概念 105 8.2.2 Map-Reduce模型 105 8.2.3 黑名單技術 106 8.2.4 模型描述 107 8.3 異常行為識別與自主優化方法 107 8.3.1 帶有時間間隔約束的正常行為模式挖掘方法 108 8.3.2 基于分層匹配的用戶時序行為異常識別方法 110 8.3.3 基于模式增長的用戶時序行為自主優化方法 113 8.3.4 基于模式增長的異常行為識別與自主優化算法 115 8.4 仿真實驗與結果分析 115 8.5 本章小結 121 參考文獻 121 第9章 基于D-TF-IDF的移動微學習資源部署方法 123 9.1 引言 123 9.2 移動微學習資源部署的系統模型 123 9.2.1 TF-IDF算法模型 124 9.2.2 灰狼優化方法模型 124 9.2.3 基于云的移動微學習服務提供模型 125 9.3 移動微學習資源部署的模型功能 126 9.3.1 分類模塊 126 9.3.2 兩層云架構模塊 128 9.3.3 灰狼優化模塊 128 9.3.4 能耗計算 129 9.4 實驗結果與分析 132 9.4.1 實驗設置 132 9.4.2 實驗過程與結果 132 9.5 本章小結 139 參考文獻 139 第10章 基于遺傳算法的任務聯合執行策略 141 10.1 引言 141 10.2 移動微學習的任務聯合執行策略模型 142 10.2.1 相關概念 142 10.2.2 時間序列匹配模型 143 10.2.3 任務聯合執行策略模型 144 10.3 問題描述 145 10.3.1 能耗描述 145 10.3.2 任務聯合執行算法 148 10.4 實驗分析 150 10.4.1 實驗參數 150 10.4.2 實驗結果 150 10.5 本章小結 154 參考文獻 154 第11章 基于群體協作的移動終端節能方法 155 11.1 引言 155 11.2 移動微學習的群體協作模型 156 11.2.1 Random Waypoint協作模型 156 11.2.2 R-樹空間聚類模型 157 11.2.3 層次分析法模型 158 11.3 能耗計算 160 11.4 實驗分析 161 11.4.1 實驗參數 162 11.4.2 實驗結果 162 11.5 本章小結 166 參考文獻 166 第12章 帶語義的多層服務資源統一標識方法 167 12.1 引言 167 12.2 相關技術 167 12.2.1 資源信息編目格式 167 12.2.2 資源描述語言 171 12.3 服務資源統一標識 173 12.3.1 用戶資源請求分析 173 12.3.2 統一標識方法描述 175 12.4 仿真實驗與結果分析 176 12.4.1 場景設置 177 12.4.2 仿真結果 177 12.5 本章小結 180 參考文獻 180 第13章 基于Pastry技術的服務資源自主組織方法 182 13.1 引言 182 13.2 相關技術 183 13.2.1 P2P網絡 183 13.2.2 Pastry算法 184 13.3 基于Pastry技術的服務資源自主組織 187 13.3.1 云端資源自組織方法 188 13.3.2 云端節點加入 188 13.3.3 云端節點更新 189 13.3.4 云端資源請求路由過程 189 13.3.5 節點退出或失效 190 13.4 仿真實驗及結果分析 190 13.4.1 仿真場景 190 13.4.2 仿真結果 191 13.5 本章小結 193 參考文獻 193
展開全部
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
伊索寓言-世界文學名著典藏-全譯本
- >
伯納黛特,你要去哪(2021新版)
- >
唐代進士錄
- >
經典常談
- >
月亮與六便士
- >
名家帶你讀魯迅:故事新編
- >
煙與鏡
本類暢銷
