Clasificación con máquinas de vectores de soporte que preservan la privacidad en WSN

La creciente importancia de las redes inalámbricas de sensores (WSN) está suscitando un mayor interés en el desarrollo de muchas áreas de aplicación. Las WSN prometen soluciones viables para muchos problemas de vigilancia a pesar de las limitaciones de energía, comunicación, cálculo y almacenamiento. Los problemas de seguridad, privacidad, confidencialidad e integridad de los datos se vuelven vitales cuando los sensores se despliegan en un entorno hostil. La clasificación mediante máquinas de vectores soporte (SVM) es una de las más utilizadas y ofrece la ventaja de la precisión y la representación dispersa que las SVM proporcionan para los límites de decisión. Es importante conseguir una minería de datos energéticamente eficiente en WSN preservando la privacidad de los datos. En esta tesis introducimos la clasificación SVM para WSN que consiste en la ventaja de la eficiencia energética mediante el aprendizaje incremental distribuido para el entrenamiento y la construcción del modelo de clasificación SVM global sin revelar los datos a otros. Mostramos el análisis de seguridad y la estimación de energía para preservar la privacidad y la eficiencia energética en WSN utilizando SVM.