Sohranenie konfidencial'nosti pri klassifikacii s pomosch'ü wspomogatel'noj wektornoj mashiny w WSN

Rastuschaq populqrnost' besprowodnyh sensornyh setej (WSN) stimuliruet powyshennyj interes k razwitiü mnogih oblastej primeneniq. WSNs obeschaüt zhiznesposobnye resheniq, naprawlennye na reshenie mnogih problem monitoringa, nesmotrq na ogranicheniq po änergii, swqzi, wychisleniqm i hraneniü dannyh. Voprosy bezopasnosti, konfidencial'nosti, sekretnosti i celostnosti dannyh stanowqtsq zhiznenno wazhnymi, kogda datchiki razwernuty wo wrazhdebnoj srede. Klassifikaciq s pomosch'ü opornyh wektornyh mashin (SVM) qwlqetsq odnoj iz naibolee shiroko ispol'zuemyh klassifikacij, imeüschej preimuschestwo w tochnosti i razrezhennom predstawlenii, kotoroe SVM obespechiwaüt dlq granic prinqtiq reshenij. Vazhno dobit'sq änergoäffektiwnogo poiska dannyh w WSN pri sohranenii konfidencial'nosti dannyh. V ätoj dissertacii my predstawlqem SVM klassifikaciü dlq WSN, sostoqschuü iz preimuschestwa änergoäffektiwnosti putem raspredelennogo inkremental'nogo obucheniq dlq obucheniq i postroeniq global'noj modeli SVM klassifikacii bez raskrytiq dannyh drugim. My pokazywaem analiz bezopasnosti i ocenku änergii dlq sohraneniq konfidencial'nosti i änergoäffektiwnosti w WSN s ispol'zowaniem SVM.