Yazar
Xu, X., Mo, R., Yin, X., Khosravi, M.R., Hosseinabadi, Fahimeh Aghaei, Chang, V., Li, G.
Basım Tarihi
2021-08
Basım Yeri
-
IEEE
Konu
Siber-fiziksel bulut sistemleri (CPCS'ler), Makine öğrenimi (ML), Baskın olmayan sıralama diferansiyel gelişimi (NSDE), Gizliliğe duyarlı dağıtım
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
1551-3203
Kayıt Numarası
15b7ccba-9b9c-48f8-b431-0802b4002500
Tarih
2021-08
Notlar
Sincan Üretim ve İnşaat Kolordu Mali ve Bilim Teknoloji Planı Projesi; Çin Ulusal Doğa Bilimleri Vakfı (NSFC); Jiangsu Yüksek Öğretim Kurumları (PAPD) fonunun Öncelikli Akademik Program Geliştirme
Örnek Metin
Siber-fiziksel bulut sistemleri (CPCS'ler), karmaşık endüstriyel hizmetlerin sağlanmasında güçlü bir yetenek ortaya çıkarır. Saldırı tespitinde makine öğreniminin (ML) ilerlemeleri nedeniyle, endüstriyel CPCS'lerde çok çeşitli ML uygulamaları yer almaktadır. Bununla birlikte, bu uygulamaların uygulama verimliliğinin nasıl sağlanacağı ve bu arada farklı operatörler tarafından veri edinimi nedeniyle veri setlerinin gizliliğinin ifşa edilmesinin nasıl önleneceği, CPCS'lerin tasarımı açısından zorlu olmaya devam etmektedir. Bu boşluğu doldurmak için, bu makalede, endüstriyel CPCS'lerde ML uygulamalarını barındırmak için PDM adı verilen gizliliğe duyarlı bir dağıtım yöntemi (PDM) tasarlanmıştır. PDM'de ML uygulamaları, iş akışları gibi belirli yürütme sırasına sahip birden fazla bilgi işlem görevi olarak bölümlendirilir. Özellikle konuşlandırma problemi, uygulama performansını ve kaynak kullanımını iyileştirmek için çok amaçlı bir problem olarak formüle edilmiştir. Daha sonra, geliştirilmiş bir diferansiyel evrim tekniğinden yararlanılarak en dengeli ve en uygun strateji seçilir. Son olarak kapsamlı deneyler ve karşılaştırma analizi yoluyla PDM tamamen değerlendirilir.
DOI
10.1109/TII.2020.3031440
Cilt
17
