PDM: استقرار برنامههای کاربردی یادگیری ماشینی آگاه از حریم خصوصی برای سیستمهای ابری فیزیکی-سایبری صنعتی
| عنوان | PDM: استقرار برنامههای کاربردی یادگیری ماشینی آگاه از حریم خصوصی برای سیستمهای ابری فیزیکی-سایبری صنعتی |
|---|---|
| نویسنده | خو، ایکس، مو، ر.، یین، ایکس، خسروی، م.ر.، حسین آبادی، فهیمه آقایی، چانگ، وی، لی، جی. |
| تاریخ انتشار: | 2021-08 |
| محل انتشار | - IEEE |
| موضوع | سیستمهای ابری فیزیکی سایبری (CPCS)، یادگیری ماشینی (ML)، تکامل تفاضلی مرتبسازی بدون کنترل (NSDE)، استقرار آگاه از حریم خصوصی |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 1551-3203 |
| شماره ثبت | 15b7ccba-9b9c-48f8-b431-0802b4002500 |
| تاریخ | 2021-08 |
| یادداشتها | پروژه طرح فناوری مالی و علمی سپاه تولید و ساخت سین کیانگ؛ بنیاد ملی علوم طبیعی چین (NSFC)؛ صندوق توسعه برنامه تحصیلی اولویت دار موسسات آموزش عالی جیانگ سو (PAPD). |
| متن نمونه | سیستمهای ابری فیزیکی سایبری (CPCS) قابلیت قدرتمندی را در ارائه خدمات پیچیده صنعتی آزاد میکنند. با توجه به پیشرفت های یادگیری ماشین (ML) در تشخیص حمله، طیف گسترده ای از برنامه های کاربردی ML در CPCS های صنعتی درگیر هستند. با این حال، چگونگی اطمینان از کارایی پیادهسازی این برنامهها، و در عین حال اجتناب از افشای حریم خصوصی مجموعههای داده به دلیل اکتساب دادهها توسط اپراتورهای مختلف، برای طراحی CPCS چالش برانگیز است. برای پر کردن این شکاف، در این مقاله یک روش استقرار آگاه از حریم خصوصی (PDM)، به نام PDM، برای میزبانی برنامه های ML در CPCS های صنعتی ابداع شده است. در PDM، برنامه های کاربردی ML به عنوان وظایف محاسباتی متعدد با ترتیب اجرای معین، مانند گردش کار، تقسیم بندی می شوند. به طور خاص، مسئله استقرار به عنوان یک مسئله چند هدفه برای بهبود عملکرد پیاده سازی و ابزار منابع فرموله شده است. سپس، متعادلترین و بهینهترین استراتژی با استفاده از تکنیک تکامل دیفرانسیل بهبودیافته انتخاب میشود. در نهایت، از طریق آزمایش های جامع و تجزیه و تحلیل مقایسه، PDM به طور کامل ارزیابی می شود. |
| DOI | 10.1109/TII.2020.3031440 |
| Cilt | 17 |
