Classificazione con macchine vettoriali di supporto a tutela della privacy nelle WSN

La crescente importanza delle reti di sensori wireless (WSN) sta stimolando un maggiore interesse nello sviluppo di molte aree applicative. Le WSN promettono soluzioni valide per molti problemi di monitoraggio, nonostante i vincoli di energia, comunicazione, calcolo e memorizzazione. Le questioni relative alla sicurezza, alla privacy, alla riservatezza e all'integrità dei dati diventano fondamentali quando i sensori vengono distribuiti in un ambiente ostile. La classificazione con macchine a vettori di supporto (SVM) è una delle classificazioni più utilizzate, con il vantaggio dell'accuratezza e della rappresentazione rada che le SVM forniscono per i confini decisionali. È importante realizzare un data mining efficiente dal punto di vista energetico nelle WSN, preservando al contempo la privacy dei dati. In questa tesi introduciamo la classificazione SVM per le WSN con il vantaggio dell'efficienza energetica grazie all'apprendimento incrementale distribuito per l'addestramento e la costruzione di un modello di classificazione SVM globale senza rivelare i dati ad altri. Mostriamo l'analisi della sicurezza e la stima dell'energia per preservare la privacy e l'efficienza energetica nelle WSN utilizzando SVM.