Classificação de Máquinas Vectoriais de Apoio à Preservação da Privacidade na WSN

A crescente proeminência da Rede de Sensores Sem Fios (WSN) está a estimular um maior interesse no desenvolvimento de muitas áreas de aplicação. As RSSFs prometem soluções viáveis visando muitos problemas de monitorização, apesar das restrições de energia, comunicação, computação e armazenamento. As questões de segurança, privacidade dos dados, confidencialidade e integridade tornam-se vitais quando os sensores são implantados num ambiente hostil. A classificação das Máquinas Vectoriais de Apoio (SVM) é uma das classificações mais amplamente utilizadas, tendo a vantagem da precisão e da representação esparsa que as SVM proporcionam para os limites de decisão. É importante conseguir uma extracção de dados energeticamente eficiente na RMS, preservando ao mesmo tempo a privacidade dos dados. Nesta tese introduzimos a classificação SVM para RSSF que consiste na vantagem da eficiência energética através da aprendizagem incremental distribuída para a formação e construção de um modelo de classificação global de SVM sem revelar os dados a outros. Mostramos análise de segurança e estimativa de energia para preservar a privacidade e eficiência energética nas RSSF utilizando a SVM.