Privatsphäre erhaltende Support-Vektor-Maschinen-Klassifizierung in WSN

Die zunehmende Bedeutung von drahtlosen Sensornetzwerken (WSN) weckt ein größeres Interesse an der Entwicklung vieler Anwendungsbereiche. WSNs versprechen praktikable Lösungen für viele Überwachungsprobleme trotz der Einschränkungen in Bezug auf Energie, Kommunikation, Berechnung und Speicherung. Sicherheitsfragen, Datenschutz, Vertraulichkeit und Integrität sind von entscheidender Bedeutung, wenn die Sensoren in einer feindlichen Umgebung eingesetzt werden. Die Klassifizierung mit Hilfe von Support Vector Machines (SVM) ist eine der am weitesten verbreiteten Klassifizierungen, die den Vorteil der Genauigkeit und der spärlichen Darstellung hat, die SVMs für Entscheidungsgrenzen bieten. Es ist wichtig, energieeffizientes Data Mining in WSN zu erreichen und gleichzeitig die Privatsphäre der Daten zu bewahren. In dieser Arbeit stellen wir eine SVM-Klassifikation für WSN vor, die den Vorteil der Energieeffizienz durch verteiltes inkrementelles Lernen für das Training und die Konstruktion eines globalen SVM-Klassifikationsmodells bietet, ohne die Daten anderen zugänglich zu machen. Wir zeigen Sicherheitsanalysen und Energieabschätzungen zur Wahrung der Privatsphäre und Energieeffizienz in WSN mit SVM.