CN107770263A - 一种基于边缘计算的物联网终端安全接入方法及系统 - Google Patents

一种基于边缘计算的物联网终端安全接入方法及系统 Download PDF

Info

Publication number
CN107770263A
CN107770263A CN201710957108.3A CN201710957108A CN107770263A CN 107770263 A CN107770263 A CN 107770263A CN 201710957108 A CN201710957108 A CN 201710957108A CN 107770263 A CN107770263 A CN 107770263A
Authority
CN
China
Prior art keywords
data set
model
edge computing
legal
mrow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710957108.3A
Other languages
English (en)
Other versions
CN107770263B (zh
Inventor
陈松林
文红
谢非佚
陈宜
陈洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CERTUSNET CORP
Nanjing Ningyi Intellectual Property Agency Co ltd
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710957108.3A priority Critical patent/CN107770263B/zh
Publication of CN107770263A publication Critical patent/CN107770263A/zh
Application granted granted Critical
Publication of CN107770263B publication Critical patent/CN107770263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/06—Authentication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/08—Access security

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于边缘计算的物联网终端安全接入方法及系统，所述方法包括:边缘计算设备分别对每一个合法感知设备进行射频辐射信号采集，得到采集结果；边缘计算设备对每个合法设备信号进行预处理，剔除离群点，然后对每一次采集信号进行数据归一化；边缘计算设备利用归一化后的数据进行特征生成，提取特征向量生成特征数据集,并将特征向量集传输到云端服务器；云端服务器选择分类算法生成数据模型，根据特征数据集对数据模型进行训练，得到决策模型传输给边缘计算设备。本发明在边缘计算侧进行数据处理和接入判断，适用于资源受限的物联网设备互联场景，具有计算复杂度低、认证准确率高的优势。

Description

一种基于边缘计算的物联网终端安全接入方法及系统
技术领域
本发明涉及无线终端的安全接入，尤其是基于边缘计算的物联网终端安全接入方法及系统。
背景技术
在未来无线通信系统中，智能设备涌入到无线网络中的数量将会成指数倍增长。无论是智慧城市，智能家居，智能物流，远程医疗，工业4.0、智能电网、智能传输，都将迎来万物互联的时代。根据CISCO公司的预测，到2020年，将有260亿物联网设备接入互联网[1]。这么多无线传感器的接入，必将带来一系列的安全问题，比如，海量采集数据的安全传输、安全接入认证、访问控制管理、设备数据隐私保护、存储安全等，采用传统云计算的云端系统不能满足实时控制、网络流量负荷重、网络不稳定、控制不可靠、安全与隐私保护无法得到保障等。
将边缘计算作为物联网(IoT)设备与远端云设备的桥梁，为IoT设备提供边缘智能服务，满足行业数字化在敏捷联接，实时业务，数据优化，应用智能，安全与隐私保护等方面的关键需求；边缘计算与云计算服务不同，其与接入终端的距离非常近，而且通常边缘端与终端设备只有一跳的距离，这就为采用物理特性进行安全保护提供了条件。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于边缘计算的物联网终端安全接入方法及系统，对合法感知设备的射频辐射信号进行采集，并对采集到的信号进行预处理、变换和特征提取，形成特征数据集，根据特征数据集对不同分类算法建立的模型进行训练，得到决策模型，传输给边缘计算设备，在边缘计算侧进行数据处理和接入判断，适用于资源受限的物联网设备互联场景，具有计算复杂度低、认证准确率高的优势。
本发明的目的是通过以下技术方案来实现的：一种基于边缘计算的物联网终端安全接入方法，包括以下步骤：
S1.边缘计算设备分别对每一个合法感知设备进行射频辐射信号采集，得到采集结果，其中，对第i个合法感知设备进行采集得到的结果为Xi T＝(x＜1＞T i,x＜2＞T i,x＜3＞T i,....,x＜l＞T i)，该结果即第i个合法感知设备发出的射频辐射信号数据集，l＝(1,2,...,h)，h表示采集得到信号样本个数；
S2.边缘计算设备对每一个合法感知设备发出的射频信号数据集进行预处理和数据变换：对第i个合法感知设备发出的射频辐射信号数据集进行预处理，剔除数据集中的离群点，得到数据集并对数据集中的每一个信号样本特征进行数据归一化；
S3.对于每一个合法感知设备，边缘计算设备利用数据集中各个信号样本特征归一化后的数据进行特征生成，提取特征向量生成该合法感知设备所对应的特征向量集并将提取得到的特征向量集传输到云端服务器；
S4.云端服务器选择分类算法生成数据模型，并根据各合法感知设备对应的特征数据集T对数据模型进行训练，当训练得到的模型达到目标正确识别率时，将其作为决策模型进行输出，并传输给边缘计算设备。
其中，所述步骤S1中，对每一个合法感知设备的射频辐射信号采集包括以下子步骤：
S101.合法感知设备发送射频辐射信号；
S102.对于第i个合法感知设备，边缘计算设备进行多次信号采集，每一次采集结果作为该合法感知设备的一个信号样本；
S103.判断第i个合法感知设备的信号样本数是否大于50；
若是，对第i个合法感知设备进行信号采集得到的结果为Xi T＝(x＜1＞T i,x＜2＞T i,x＜3＞T i,....,x＜l＞T i)，其中l＝(1,2,...,h)，h表示采集得到信号样本个数，进入步骤S2；
若否，返回步骤S102，重新对第i个合法感知设备的信号样本进行采集。
其中，所述步骤S2包括以下子步骤：
S201.边缘计算设备对第i个合法感知设备发出的射频辐射信号数据集进行预处理，根据数据集求出均值标准差剔除数据集中的离群点，得到数据集
S202.对数据集中的每一个信号样本特征进行数据归一化，归一化后服从标准正态分布零均值和单位方差。
其中，所述步骤S3中，采用SVD算法进行线性变换：
其中，维度为d，W∈Rd'×d，d'＜d将数据降维：
...
为降维后的特征向量，此时维度为d'，此时特征数据集变为：
其中，所述步骤S4包括以下子步骤：
S401.利用线性一对一的SVM多分类算法、KNN分类算法、基于Adaboost的多分类算法、基于随机梯度下降的一对一SVM多分类算法和基于核估计的非线性SVM算法分别建立数据模型；
S402.将当前合法感知设备的特征数据集T作为训练数据集，判断信号样本个数是否小于100K；若是，进入步骤S403，若否，跳转至步骤S406；
S403.利用当前特征数据集对线性一对一的SVM多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S404；
S404.利用当前特征数据集对KNN分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S405；
S405.利用当前特征数据集对基于Adaboost的多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，返回步骤S402，利用下一个合法感知设备的特征数据集作为训练数据集，继续进行下一轮训练；
S406.利用当前特征数据集对基于随机梯度下降的一对一SVM多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S407；
S407.利用当前特征数据集对基于核估计的非线性SVM算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，返回步骤S402，利用下一个合法感知设备的特征数据集作为训练数据集，继续进行下一轮训练。
其中，云端服务器将得到的决策模型传输给边缘计算设备后，还包括接入判断步骤：当物联网终端接入时，边缘计算设备采集接入终端的射频特征，并利用决策模型对射频特征进行识别，判断接入终端是否合法，在接入终端不合法时，边缘计算设备拒绝该终端接入网络。
一种基于边缘计算的物联网终端安全接入系统，包括边缘计算设备和云端服务器；
所述边缘计算设备用于采集每一个合法感知设备的射频辐射信号，经数据预处理、数据变换和特征向量提取后，得到特征向量集，并传输给云端服务器；具体的，所述边缘计算设备包括：数据采集模块，用于对合法感知设备进行射频辐射信号采集，得到每一台合法感知设备发出的射频辐射信号数据集；数据预处理模块，用于对采集得到的数据集进行预处理，剔除数据集中的离群点；数据变换模块，用于对预处理得到的数据集进行变换，将数据集中每一个信号样本进行数据归一化；特征向量提取模块，利用归一化后的信号样本进行特征生成，提取特征向量生成特征数据集，并将特征数据集传输给云端服务器，每个特征数据集对应一台合法感知设备；存储模块，用于对提取的特征数据集和来自云端服务器的决策模型进行本地保存。所述的边缘计算设备还包括接入判断模块，用于在物联网终端接入时，采集接入终端的射频特征，并利用决策模型对射频特征进行识别，判断接入终端是否合法，在接入终端不合法时，边缘计算设备拒绝该终端接入网络。
所述云端服务器用于选择分类算法建立数据模型，并利用各个合法感知设备的特征向量集对建立的数据模型进行训练，得到决策模型，传输给边缘计算设备，作为安全接入判断的依据。所述云端服务器包括：模型建立模块，用于利用不同的分类算法，建立多个不同的数据模型；模型选择模块，根据来自边缘计算设备的特征数据集信号样本数量，对数据模型进行选择；模型训练模块，用于利用接收到的特征数据集，对选择的模型进行训练；模型测试模块，用于利用已知的测试数据集，对训练得到的模型进行测试，当模型达到预设的目标正确识别率时，将训练得到的模型作为决策模型输出，并传输给边缘计算设备；云端数据库，用于对决策模型和来自边缘计算设备的特征数据集进行保存。
本发明的有益效果是：本发明对合法感知设备的射频辐射信号进行采集，并对采集到的信号进行预处理、变换和特征提取，形成特征数据集，根据特征数据集对不同分类算法建立的模型进行训练，得到决策模型，传输给边缘计算设备，在边缘计算侧进行数据处理和接入判断，适用于资源受限的物联网设备互联场景，具有计算复杂度低、认证准确率高的优势；在终端节点不需要任何加密算法，所有识别算法由边缘端完成；时延小，难以伪造，决策模型生成后，传回边缘设备，当大量合法设备接入时，能快速的判定是否允许接入网络，完全能实现低时延，实时接入认证。
附图说明
图1为本发明的方法流程图；
图2为分发明的系统原理框图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于边缘计算的物联网终端安全接入方法，包括以下步骤：
S1.边缘计算设备分别对每一个合法感知设备进行射频辐射信号采集，得到采集结果，其中，对第i个合法感知设备进行采集得到的结果为Xi T＝(x＜1＞T i,x＜2＞T i,x＜3＞T i,....,x＜l＞T i)，该结果即第i个合法感知设备发出的射频辐射信号数据集，l＝(1,2,...,h)，h表示采集得到信号样本个数；
S2.边缘计算设备对每一个合法感知设备发出的射频信号数据集进行预处理和数据变换：对第i个合法感知设备发出的射频辐射信号数据集进行预处理，剔除数据集中的离群点，得到数据集并对数据集中的每一个信号样本特征进行数据归一化；
S3.对于每一个合法感知设备，边缘计算设备利用数据集中各个信号样本特征归一化后的数据进行特征生成，提取特征向量生成该合法感知设备所对应的特征向量集并将提取得到的特征向量集传输到云端服务器；
S4.云端服务器选择分类算法生成数据模型，并根据各合法感知设备对应的特征数据集T对数据模型进行训练，当训练得到的模型达到目标正确识别率时，将其作为决策模型进行输出，并传输给边缘计算设备。
其中，所述步骤S1中，对每一个合法感知设备的射频辐射信号采集包括以下子步骤：
S101.合法感知设备发送射频辐射信号；
S102.对于第i个合法感知设备，边缘计算设备进行多次信号采集，每一次采集结果作为该合法感知设备的一个信号样本；
S103.判断第i个合法感知设备的信号样本数是否大于50；
若是，对第i个合法感知设备进行信号采集得到的结果为Xi T＝(x＜1＞T i,x＜2＞T i,x＜3＞T i,....,x＜l＞T i)，其中l＝(1,2,...,h)，h表示采集得到信号样本个数，进入步骤S2；
若否，返回步骤S102，重新对第i个合法感知设备的信号样本进行采集。
其中，所述步骤S2包括以下子步骤：
S201.边缘计算设备对第i个合法感知设备发出的射频辐射信号数据集进行预处理，根据数据集求出均值标准差剔除数据集中的离群点，得到数据集
S202.对数据集中的每一个信号样本特征进行数据归一化，归一化后服从标准正态分布零均值和单位方差。
其中，所述步骤S3中，采用SVD算法进行线性变换：
其中，维度为d，W∈Rd'×d，d'＜d将数据降维：
...
为降维后的特征向量，此时维度为d'，此时特征数据集变为：
其中，所述步骤S4包括以下子步骤：
S401.利用线性一对一的SVM多分类算法、KNN分类算法、基于Adaboost的多分类算法、基于随机梯度下降的一对一SVM多分类算法和基于核估计的非线性SVM算法分别建立数据模型；
S402.将当前合法感知设备的特征数据集T作为训练数据集，判断信号样本个数是否小于100K；若是，进入步骤S403，若否，跳转至步骤S406；
S403.利用当前特征数据集对线性一对一的SVM多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S404；
S404.利用当前特征数据集对KNN分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S405；
S405.利用当前特征数据集对基于Adaboost的多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，返回步骤S402，利用下一个合法感知设备的特征数据集作为训练数据集，继续进行下一轮训练；
S406.利用当前特征数据集对基于随机梯度下降的一对一SVM多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S407；
S407.利用当前特征数据集对基于核估计的非线性SVM算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，返回步骤S402，利用下一个合法感知设备的特征数据集作为训练数据集，继续进行下一轮训练。
其中，云端服务器将得到的决策模型传输给边缘计算设备后，还包括接入判断步骤：当物联网终端接入时，边缘计算设备采集接入终端的射频特征，并利用决策模型对射频特征进行识别，判断接入终端是否合法，在接入终端不合法时，边缘计算设备拒绝该终端接入网络。
如图2所示，一种基于边缘计算的物联网终端安全接入系统，包括边缘计算设备和云端服务器；
所述边缘计算设备用于采集每一个合法感知设备的射频辐射信号，经数据预处理、数据变换和特征向量提取后，得到特征向量集，并传输给云端服务器；具体的，所述边缘计算设备包括：数据采集模块，用于对合法感知设备进行射频辐射信号采集，得到每一台合法感知设备发出的射频辐射信号数据集；数据预处理模块，用于对采集得到的数据集进行预处理，剔除数据集中的离群点；数据变换模块，用于对预处理得到的数据集进行变换，将数据集中每一个信号样本进行数据归一化；特征向量提取模块，利用归一化后的信号样本进行特征生成，提取特征向量生成特征数据集，并将特征数据集传输给云端服务器，每个特征数据集对应一台合法感知设备；存储模块，用于对提取的特征数据集和来自云端服务器的决策模型进行本地保存。所述的边缘计算设备还包括接入判断模块，用于在物联网终端接入时，采集接入终端的射频特征，并利用决策模型对射频特征进行识别，判断接入终端是否合法，在接入终端不合法时，边缘计算设备拒绝该终端接入网络。在图2所示的架构中，当物联网终端(合法感知设备或非法接入设备)请求接入时，边缘计算设备的接入判断模块通过决策模型即可完成对物联网终端的射频特征识别，允许合法感知设备接入，拒绝非法接入设备接入网络。
所述云端服务器用于选择分类算法建立数据模型，并利用各个合法感知设备的特征向量集对建立的数据模型进行训练，得到决策模型，传输给边缘计算设备，作为安全接入判断的依据。所述云端服务器包括：模型建立模块，用于利用不同的分类算法，建立多个不同的数据模型；模型选择模块，根据来自边缘计算设备的特征数据集信号样本数量，对数据模型进行选择；模型训练模块，用于利用接收到的特征数据集，对选择的模型进行训练；模型测试模块，用于利用已知的测试数据集，对训练得到的模型进行测试，当模型达到预设的目标正确识别率时，将训练得到的模型作为决策模型输出，并传输给边缘计算设备；云端数据库，用于对决策模型和来自边缘计算设备的特征数据集进行保存。
综上，本发明对合法感知设备的射频辐射信号进行采集，并对采集到的信号进行预处理、变换和特征提取，形成特征数据集，根据特征数据集对不同分类算法建立的模型进行训练，得到决策模型，传输给边缘计算设备，在边缘计算侧进行数据处理和接入判断，适用于资源受限的物联网设备互联场景，具有计算复杂度低、认证准确率高的优势；在终端节点不需要任何加密算法，所有识别算法由边缘端完成；时延小，难以伪造，决策模型生成后，传回边缘设备，当大量合法设备接入时，能快速的判定是否允许接入网络，完全能实现低时延，实时接入认证。在物联网接入频段协议众多的情况下，在信号层面就能解决安全接入问题，无需了解具体协议，降低了复杂度，特别适用于5G网络中资源受限的物联网设备互联。

Claims (10)

1.一种基于边缘计算的物联网终端安全接入方法，其特征在于：包括以下步骤：
S1.边缘计算设备分别对每一个合法感知设备进行射频辐射信号采集，得到采集结果，其中，对第i个合法感知设备进行采集得到的结果为Xi T＝(x＜1＞T i,x＜2＞T i,x＜3＞T i,....,x＜l＞T i)，该结果即第i个合法感知设备发出的射频辐射信号数据集，l＝(1,2,...,h)，h表示采集得到信号样本个数；
S2.边缘计算设备对每一个合法感知设备发出的射频信号数据集进行预处理和数据变换：对第i个合法感知设备发出的射频辐射信号数据集Xi T进行预处理，剔除数据集Xi T中的离群点，得到数据集并对数据集中的每一个信号样本特征进行数据归一化；
S3.对于每一个合法感知设备，边缘计算设备利用数据集中各个信号样本特征归一化后的数据进行特征生成，提取特征向量生成该合法感知设备所对应的特征向量集并将提取得到的特征向量集传输到云端服务器；
S4.云端服务器选择分类算法生成数据模型，并根据各合法感知设备对应的特征数据集T对数据模型进行训练，当训练得到的模型达到目标正确识别率时，将其作为决策模型进行输出，并传输给边缘计算设备。
2.根据权利要求1所述的一种基于边缘计算的物联网终端安全接入方法，其特征在于：所述步骤S1中，对每一个合法感知设备的射频辐射信号采集包括以下子步骤：
S101.合法感知设备发送射频辐射信号；
S102.对于第i个合法感知设备，边缘计算设备进行多次信号采集，每一次采集结果作为该合法感知设备的一个信号样本；
S103.判断第i个合法感知设备的信号样本数是否大于50；
若是，对第i个合法感知设备进行信号采集得到的结果为Xi T＝(x＜1＞T i,x＜2＞T i,x＜3＞T i,....,x＜l＞T i)，其中l＝(1,2,...,h)，h表示采集得到信号样本个数，进入步骤S2；
若否，返回步骤S102，重新对第i个合法感知设备的信号样本进行采集。
3.根据权利要求1所述的一种基于边缘计算的物联网终端安全接入方法，其特征在于：所述步骤S2包括以下子步骤：
S201.边缘计算设备对第i个合法感知设备发出的射频辐射信号数据集Xi T进行预处理，根据数据集Xi T求出均值标准差剔除数据集Xi T中的离群点，得到数据集
S202.对数据集中的每一个信号样本特征进行数据归一化，归一化后服从标准正态分布零均值和单位方差。
4.根据权利要求1所述的一种基于边缘计算的物联网终端安全接入方法，其特征在于：所述步骤S3中，采用SVD算法进行线性变换：
其中，维度为d，W∈Rd'×d，d'＜d将数据降维：
<mrow> <msubsup> <mi>X</mi> <mi>i</mi> <mrow> <mo>&lt;</mo> <mi>l</mi> <mo>&gt;</mo> <mi>T</mi> </mrow> </msubsup> <mo>=</mo> <mi>U</mi> <mo>&amp;Sigma;</mo> <msup> <mi>V</mi> <mi>T</mi> </msup> <mo>;</mo> </mrow>
<mrow> <msubsup> <mi>X</mi> <mi>i</mi> <mrow> <mo>&lt;</mo> <mi>l</mi> <mo>&gt;</mo> <mi>T</mi> </mrow> </msubsup> <mo>&amp;ap;</mo> <mover> <mover> <msubsup> <mi>X</mi> <mi>i</mi> <mrow> <mo>&lt;</mo> <mi>l</mi> <mo>&gt;</mo> <mi>T</mi> </mrow> </msubsup> <mo>&amp;OverBar;</mo> </mover> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <mo>&amp;lsqb;</mo> <msub> <mi>u</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>u</mi> <mn>1</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>u</mi> <msup> <mi>d</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>&amp;rsqb;</mo> <mo>&amp;lsqb;</mo> <mtable> <mtr> <mtd> <mrow> <msqrt> <msub> <mi>&amp;lambda;</mi> <mn>0</mn> </msub> </msqrt> <msubsup> <mi>v</mi> <mn>0</mn> <mi>H</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msqrt> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> </msqrt> <msubsup> <mi>v</mi> <mn>1</mn> <mi>H</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <msqrt> <msub> <mi>&amp;lambda;</mi> <msup> <mi>d</mi> <mo>&amp;prime;</mo> </msup> </msub> </msqrt> <msubsup> <mi>v</mi> <msup> <mi>d</mi> <mo>&amp;prime;</mo> </msup> <mi>H</mi> </msubsup> </mrow> </mtd> </mtr> </mtable> <mo>&amp;rsqb;</mo> <mo>=</mo> <msub> <mi>U</mi> <msup> <mi>d</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>a</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>a</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>a</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>a</mi> <msup> <mi>d</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>&amp;rsqb;</mo> <mo>;</mo> </mrow>
为降维后的特征向量，此时维度为d'，此时特征数据集变为：
<mrow> <mi>T</mi> <mo>=</mo> <mo>{</mo> <mrow> <mo>(</mo> <mover> <mover> <msubsup> <mi>X</mi> <mn>1</mn> <mrow> <mo>&lt;</mo> <mi>l</mi> <mo>&gt;</mo> <mi>T</mi> </mrow> </msubsup> <mo>&amp;OverBar;</mo> </mover> <mo>&amp;OverBar;</mo> </mover> <mo>,</mo> <msub> <mi>y</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mover> <mover> <msubsup> <mi>X</mi> <mn>2</mn> <mrow> <mo>&lt;</mo> <mi>l</mi> <mo>&gt;</mo> <mi>T</mi> </mrow> </msubsup> <mo>&amp;OverBar;</mo> </mover> <mo>&amp;OverBar;</mo> </mover> <mo>,</mo> <msub> <mi>y</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mrow> <mo>(</mo> <mover> <mover> <msubsup> <mi>X</mi> <mi>i</mi> <mrow> <mo>&lt;</mo> <mi>l</mi> <mo>&gt;</mo> <mi>T</mi> </mrow> </msubsup> <mo>&amp;OverBar;</mo> </mover> <mo>&amp;OverBar;</mo> </mover> <mo>,</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>}</mo> <mo>.</mo> </mrow>
5.根据权利要求1所述的一种基于边缘计算的物联网终端安全接入方法，其特征在于：所述步骤S4包括以下子步骤：
S401.利用线性一对一的SVM多分类算法、KNN分类算法、基于Adaboost的多分类算法、基于随机梯度下降的一对一SVM多分类算法和基于核估计的非线性SVM算法分别建立数据模型；
S402.将当前合法感知设备的特征数据集T作为训练数据集，判断信号样本个数是否小于100K；若是，进入步骤S403，若否，跳转至步骤S406；
S403.利用当前特征数据集对线性一对一的SVM多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S404；
S404.利用当前特征数据集对KNN分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S405；
S405.利用当前特征数据集对基于Adaboost的多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，返回步骤S402，利用下一个合法感知设备的特征数据集作为训练数据集，继续进行下一轮训练；
S406.利用当前特征数据集对基于随机梯度下降的一对一SVM多分类算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，进入步骤S407；
S407.利用当前特征数据集对基于核估计的非线性SVM算法建立的模型进行训练，并通过已知的测试数据集对训练得到的模型进行测试，判断训练得到的模型是否能够能达到预设的目标正确识别率，若是，将训练得到的模型作为决策模型输出，并传输给边缘计算设备，若否，返回步骤S402，利用下一个合法感知设备的特征数据集作为训练数据集，继续进行下一轮训练。
6.根据权利要求1所述的一种基于边缘计算的物联网终端安全接入方法，其特征在于：云端服务器将得到的决策模型传输给边缘计算设备后，还包括接入判断步骤：当物联网终端接入时，边缘计算设备采集接入终端的射频特征，并利用决策模型对射频特征进行识别，判断接入终端是否合法，在接入终端不合法时，边缘计算设备拒绝该终端接入网络。
7.一种基于边缘计算的物联网终端安全接入系统，其特征在于：包括边缘计算设备和云端服务器；
所述边缘计算设备用于采集每一个合法感知设备的射频辐射信号，经数据预处理、数据变换和特征向量提取后，得到特征向量集，并传输给云端服务器；
所述云端服务器用于选择分类算法建立数据模型，并利用各个合法感知设备的特征向量集对建立的数据模型进行训练，得到决策模型，传输给边缘计算设备，作为安全接入判断的依据。
8.根据权利要求7所述的一种基于边缘计算的物联网终端安全接入系统，其特征在于：所述边缘计算设备包括：
数据采集模块，用于对合法感知设备进行射频辐射信号采集，得到每一台合法感知设备发出的射频辐射信号数据集；
数据预处理模块，用于对采集得到的数据集进行预处理，剔除数据集中的离群点；
数据变换模块，用于对预处理得到的数据集进行变换，将数据集中每一个信号样本进行数据归一化；
特征向量提取模块，利用归一化后的信号样本进行特征生成，提取特征向量生成特征数据集，并将特征数据集传输给云端服务器，每个特征数据集对应一台合法感知设备；
存储模块，用于对提取的特征数据集和来自云端服务器的决策模型进行本地保存。
9.根据权利要求7所述的一种基于边缘计算的物联网终端安全接入系统，其特征在于：所述云端服务器包括：
模型建立模块，用于利用不同的分类算法，建立多个不同的数据模型；
模型选择模块，根据来自边缘计算设备的特征数据集信号样本数量，对数据模型进行选择；
模型训练模块，用于利用接收到的特征数据集，对选择的模型进行训练；
模型测试模块，用于利用已知的测试数据集，对训练得到的模型进行测试，当模型达到预设的目标正确识别率时，将训练得到的模型作为决策模型输出，并传输给边缘计算设备；
云端数据库，用于对决策模型和来自边缘计算设备的特征数据集进行保存。
10.根据权利要求7所述的一种基于边缘计算的物联网终端安全接入系统，其特征在于：所述的边缘计算设备还包括接入判断模块，用于在物联网终端接入时，采集接入终端的射频特征，并利用决策模型对射频特征进行识别，判断接入终端是否合法，在接入终端不合法时，边缘计算设备拒绝该终端接入网络。
CN201710957108.3A 2017-10-16 2017-10-16 一种基于边缘计算的物联网终端安全接入方法及系统 Active CN107770263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710957108.3A CN107770263B (zh) 2017-10-16 2017-10-16 一种基于边缘计算的物联网终端安全接入方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710957108.3A CN107770263B (zh) 2017-10-16 2017-10-16 一种基于边缘计算的物联网终端安全接入方法及系统

Publications (2)

Publication Number Publication Date
CN107770263A true CN107770263A (zh) 2018-03-06
CN107770263B CN107770263B (zh) 2019-12-10

Family

ID=61268853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710957108.3A Active CN107770263B (zh) 2017-10-16 2017-10-16 一种基于边缘计算的物联网终端安全接入方法及系统

Country Status (1)

Country Link
CN (1) CN107770263B (zh)

Cited By (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549341A (zh) * 2018-04-19 2018-09-18 广州裕申电子科技有限公司 基于物联网的车间生产信息管理方法、系统及装置
CN108632101A (zh) * 2018-05-31 2018-10-09 北京百度网讯科技有限公司 用于更新配置对象的方法和装置
CN108665072A (zh) * 2018-05-23 2018-10-16 中国电力科学研究院有限公司 一种基于云架构的机器学习算法全过程训练方法及系统
CN108667725A (zh) * 2018-04-25 2018-10-16 哈尔滨电气股份有限公司 一种基于多种接入及边缘计算的工业软网关以及实现方法
CN108764354A (zh) * 2018-05-31 2018-11-06 北京百度网讯科技有限公司 用于处理信息的方法及装置
CN108804268A (zh) * 2018-06-04 2018-11-13 北京电子工程总体研究所 一种智能测试系统及方法
CN108810026A (zh) * 2018-07-20 2018-11-13 电子科技大学 一种基于边缘计算的终端设备接入认证方法及系统
CN108924081A (zh) * 2018-05-03 2018-11-30 深圳中泰智丰物联网科技有限公司 基于边缘计算的物联网中保护用户隐私抵抗恶意用户方法
CN108924228A (zh) * 2018-07-06 2018-11-30 中国联合网络通信集团有限公司 基于边缘计算的工业互联网优化系统
CN108985461A (zh) * 2018-06-29 2018-12-11 深圳昂云鼎科技有限公司 一种自主机器学习的方法、装置和终端设备
CN109002357A (zh) * 2018-06-07 2018-12-14 阿里巴巴集团控股有限公司 资源分配方法、装置及物联网系统
CN109143948A (zh) * 2018-08-30 2019-01-04 四川创客知佳科技有限公司 基于物联网的智能安防系统
CN109246209A (zh) * 2018-08-30 2019-01-18 广元量知汇科技有限公司 林业物联网安全通信管理方法
CN109343951A (zh) * 2018-08-15 2019-02-15 南京邮电大学 移动计算资源分配方法、计算机可读存储介质和终端
CN109358962A (zh) * 2018-08-15 2019-02-19 南京邮电大学 移动计算资源自主分配装置
CN109451040A (zh) * 2018-12-10 2019-03-08 王顺志 基于边缘计算的物联网组网系统及组网方法
CN109462643A (zh) * 2018-10-31 2019-03-12 南京东大智能化系统有限公司 一种基于边缘计算的物联网数据获取方法
CN109784532A (zh) * 2018-12-12 2019-05-21 中山大学 一种基于深度学习的厂区能耗预测方法及系统
CN109901537A (zh) * 2019-03-18 2019-06-18 北京大通惠德科技有限公司 用于边缘计算侧的机械设备运行状态监测方法和系统
CN110135317A (zh) * 2019-05-08 2019-08-16 深圳达实智能股份有限公司 基于协同计算体系的行为监控和管理系统和方法
CN110197128A (zh) * 2019-05-08 2019-09-03 华南理工大学 基于边缘计算与云端统筹的人脸识别架构设计方法
CN110262340A (zh) * 2019-06-20 2019-09-20 上海禾视信息技术有限公司 一种基于边缘计算的物联接入与监测方法
CN110351257A (zh) * 2019-06-27 2019-10-18 绿漫科技有限公司 一种分布式物联网安全接入系统
CN110430063A (zh) * 2019-07-26 2019-11-08 绍兴文理学院 基于雾计算架构异质传感网节点匿名身份认证系统及方法
CN110473623A (zh) * 2019-07-16 2019-11-19 武汉联影医疗科技有限公司 医疗服务系统
CN110493256A (zh) * 2019-09-04 2019-11-22 深圳供电局有限公司 基于边缘计算和向量投影的数据传输安全认证方法及系统
CN110493304A (zh) * 2019-07-04 2019-11-22 上海数据交易中心有限公司 边缘计算系统以及交易系统
CN111026556A (zh) * 2020-03-09 2020-04-17 蘑菇物联技术（深圳）有限公司 通过云端算法帮助rtu实现边缘计算的方法以及系统
CN111046890A (zh) * 2018-10-11 2020-04-21 同济大学 通信系统、服务器、基于传感器的设备识别方法及装置
CN111083184A (zh) * 2018-10-22 2020-04-28 中国科学院沈阳自动化研究所 一种基于边缘计算框架的气相色谱仪故障诊断体系结构
CN111222817A (zh) * 2018-11-27 2020-06-02 深圳先进技术研究院 一种基于云/边计算的智能仓储系统
WO2020133655A1 (zh) * 2018-12-26 2020-07-02 中国科学院沈阳自动化研究所 边缘计算场景下支持异构终端匿名接入的轻量级认证方法
CN111478960A (zh) * 2020-04-03 2020-07-31 河海大学常州校区 一种基于边缘计算的数据采集和边缘计算系统
CN111626324A (zh) * 2020-04-13 2020-09-04 山东省科学院海洋仪器仪表研究所 基于边缘计算的海底观测网数据异构解析集成方法
CN111654835A (zh) * 2020-06-05 2020-09-11 全球能源互联网研究院有限公司 一种边缘弹性接入的物联网系统及方法
CN111935171A (zh) * 2020-08-24 2020-11-13 南方电网科学研究院有限责任公司 一种边缘计算下基于机器学习的终端安全策略选择方法
CN112257807A (zh) * 2020-11-02 2021-01-22 曲阜师范大学 一种基于自适应优化线性邻域集选择的降维方法及系统
CN112307287A (zh) * 2020-11-11 2021-02-02 国网山东省电力公司威海供电公司 基于云边协同架构的电力物联网数据分类处理方法及装置
CN112769822A (zh) * 2020-12-31 2021-05-07 中国科学院上海高等研究院 基于边缘计算的数据采集装置、系统及方法
CN112995190A (zh) * 2021-03-11 2021-06-18 北京德风新征程科技有限公司 一种基于安全认证的物联网数据安全方法及装置
CN113222170A (zh) * 2021-03-30 2021-08-06 新睿信智能物联研究院(南京)有限公司 一种用于物联网ai协同服务平台的智能算法和模型
CN113452751A (zh) * 2021-05-20 2021-09-28 国网江苏省电力有限公司信息通信分公司 基于云边协同的电力物联网任务安全迁移系统及方法
CN113687633A (zh) * 2021-06-29 2021-11-23 云南昆钢电子信息科技有限公司 一种钢筋质量管理系统和方法
CN114444556A (zh) * 2020-11-03 2022-05-06 中国电信股份有限公司 用于目标的实时检测的装置及方法
CN114650156A (zh) * 2020-12-18 2022-06-21 北京华弘集成电路设计有限责任公司 一种物联网实时数据传输方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170060574A1 (en) * 2015-08-27 2017-03-02 FogHorn Systems, Inc. Edge Intelligence Platform, and Internet of Things Sensor Streams System
CN106998345A (zh) * 2016-01-26 2017-08-01 中兴通讯股份有限公司 业务网络的处理方法、装置及系统
CN107018550A (zh) * 2016-01-27 2017-08-04 中兴通讯股份有限公司 边缘计算节点的交互方法及装置
CN107087019A (zh) * 2017-03-14 2017-08-22 西安电子科技大学 一种端云协同计算架构及任务调度装置及方法
CN107105029A (zh) * 2017-04-18 2017-08-29 北京友普信息技术有限公司 一种基于Docker技术的CDN动态内容加速方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170060574A1 (en) * 2015-08-27 2017-03-02 FogHorn Systems, Inc. Edge Intelligence Platform, and Internet of Things Sensor Streams System
CN106998345A (zh) * 2016-01-26 2017-08-01 中兴通讯股份有限公司 业务网络的处理方法、装置及系统
CN107018550A (zh) * 2016-01-27 2017-08-04 中兴通讯股份有限公司 边缘计算节点的交互方法及装置
CN107087019A (zh) * 2017-03-14 2017-08-22 西安电子科技大学 一种端云协同计算架构及任务调度装置及方法
CN107105029A (zh) * 2017-04-18 2017-08-29 北京友普信息技术有限公司 一种基于Docker技术的CDN动态内容加速方法及系统

Cited By (66)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549341A (zh) * 2018-04-19 2018-09-18 广州裕申电子科技有限公司 基于物联网的车间生产信息管理方法、系统及装置
CN108667725B (zh) * 2018-04-25 2021-06-11 哈尔滨电气股份有限公司 一种基于多种接入及边缘计算的工业软网关以及实现方法
CN108667725A (zh) * 2018-04-25 2018-10-16 哈尔滨电气股份有限公司 一种基于多种接入及边缘计算的工业软网关以及实现方法
CN108924081A (zh) * 2018-05-03 2018-11-30 深圳中泰智丰物联网科技有限公司 基于边缘计算的物联网中保护用户隐私抵抗恶意用户方法
CN108924081B (zh) * 2018-05-03 2021-04-30 深圳中泰智丰物联网科技有限公司 基于边缘计算的物联网中保护用户隐私抵抗恶意用户方法
CN108665072A (zh) * 2018-05-23 2018-10-16 中国电力科学研究院有限公司 一种基于云架构的机器学习算法全过程训练方法及系统
CN108764354A (zh) * 2018-05-31 2018-11-06 北京百度网讯科技有限公司 用于处理信息的方法及装置
CN108632101A (zh) * 2018-05-31 2018-10-09 北京百度网讯科技有限公司 用于更新配置对象的方法和装置
CN108804268A (zh) * 2018-06-04 2018-11-13 北京电子工程总体研究所 一种智能测试系统及方法
CN109002357A (zh) * 2018-06-07 2018-12-14 阿里巴巴集团控股有限公司 资源分配方法、装置及物联网系统
CN109002357B (zh) * 2018-06-07 2021-11-23 创新先进技术有限公司 资源分配方法、装置及物联网系统
CN108985461A (zh) * 2018-06-29 2018-12-11 深圳昂云鼎科技有限公司 一种自主机器学习的方法、装置和终端设备
CN108985461B (zh) * 2018-06-29 2020-12-15 深圳昂云鼎科技有限公司 一种自主机器学习的方法、装置和终端设备
CN108924228A (zh) * 2018-07-06 2018-11-30 中国联合网络通信集团有限公司 基于边缘计算的工业互联网优化系统
CN108810026A (zh) * 2018-07-20 2018-11-13 电子科技大学 一种基于边缘计算的终端设备接入认证方法及系统
CN108810026B (zh) * 2018-07-20 2019-05-17 电子科技大学 一种基于边缘计算的终端设备接入认证方法及系统
CN109358962B (zh) * 2018-08-15 2022-02-11 南京邮电大学 移动计算资源自主分配装置
CN109343951B (zh) * 2018-08-15 2022-02-11 南京邮电大学 移动计算资源分配方法、计算机可读存储介质和终端
CN109358962A (zh) * 2018-08-15 2019-02-19 南京邮电大学 移动计算资源自主分配装置
CN109343951A (zh) * 2018-08-15 2019-02-15 南京邮电大学 移动计算资源分配方法、计算机可读存储介质和终端
CN109870968A (zh) * 2018-08-30 2019-06-11 四川创客知佳科技有限公司 一种智能安防系统
CN109246209B (zh) * 2018-08-30 2019-07-09 张家口市金诚科技有限责任公司 林业物联网安全通信管理方法
CN109246209A (zh) * 2018-08-30 2019-01-18 广元量知汇科技有限公司 林业物联网安全通信管理方法
CN109143948A (zh) * 2018-08-30 2019-01-04 四川创客知佳科技有限公司 基于物联网的智能安防系统
CN111046890B (zh) * 2018-10-11 2023-04-25 同济大学 通信系统、服务器、基于传感器的设备识别方法及装置
CN111046890A (zh) * 2018-10-11 2020-04-21 同济大学 通信系统、服务器、基于传感器的设备识别方法及装置
CN111083184A (zh) * 2018-10-22 2020-04-28 中国科学院沈阳自动化研究所 一种基于边缘计算框架的气相色谱仪故障诊断体系结构
CN109462643A (zh) * 2018-10-31 2019-03-12 南京东大智能化系统有限公司 一种基于边缘计算的物联网数据获取方法
CN111222817A (zh) * 2018-11-27 2020-06-02 深圳先进技术研究院 一种基于云/边计算的智能仓储系统
CN111222817B (zh) * 2018-11-27 2024-03-22 深圳先进技术研究院 一种基于云/边计算的智能仓储系统
CN109451040A (zh) * 2018-12-10 2019-03-08 王顺志 基于边缘计算的物联网组网系统及组网方法
CN109784532A (zh) * 2018-12-12 2019-05-21 中山大学 一种基于深度学习的厂区能耗预测方法及系统
CN111371730A (zh) * 2018-12-26 2020-07-03 中国科学院沈阳自动化研究所 边缘计算场景下支持异构终端匿名接入的轻量级认证方法
WO2020133655A1 (zh) * 2018-12-26 2020-07-02 中国科学院沈阳自动化研究所 边缘计算场景下支持异构终端匿名接入的轻量级认证方法
CN111371730B (zh) * 2018-12-26 2021-11-30 中国科学院沈阳自动化研究所 边缘计算场景下支持异构终端匿名接入的轻量级认证方法
CN109901537A (zh) * 2019-03-18 2019-06-18 北京大通惠德科技有限公司 用于边缘计算侧的机械设备运行状态监测方法和系统
CN110197128A (zh) * 2019-05-08 2019-09-03 华南理工大学 基于边缘计算与云端统筹的人脸识别架构设计方法
CN110135317A (zh) * 2019-05-08 2019-08-16 深圳达实智能股份有限公司 基于协同计算体系的行为监控和管理系统和方法
CN110262340A (zh) * 2019-06-20 2019-09-20 上海禾视信息技术有限公司 一种基于边缘计算的物联接入与监测方法
CN110351257A (zh) * 2019-06-27 2019-10-18 绿漫科技有限公司 一种分布式物联网安全接入系统
CN110493304A (zh) * 2019-07-04 2019-11-22 上海数据交易中心有限公司 边缘计算系统以及交易系统
CN110473623A (zh) * 2019-07-16 2019-11-19 武汉联影医疗科技有限公司 医疗服务系统
CN110430063B (zh) * 2019-07-26 2020-05-19 绍兴文理学院 基于雾计算架构异质传感网节点匿名身份认证方法
CN110430063A (zh) * 2019-07-26 2019-11-08 绍兴文理学院 基于雾计算架构异质传感网节点匿名身份认证系统及方法
CN110493256A (zh) * 2019-09-04 2019-11-22 深圳供电局有限公司 基于边缘计算和向量投影的数据传输安全认证方法及系统
CN110493256B (zh) * 2019-09-04 2020-04-17 深圳供电局有限公司 基于边缘计算和向量投影的数据传输安全认证方法及系统
CN111026556A (zh) * 2020-03-09 2020-04-17 蘑菇物联技术（深圳）有限公司 通过云端算法帮助rtu实现边缘计算的方法以及系统
CN111478960A (zh) * 2020-04-03 2020-07-31 河海大学常州校区 一种基于边缘计算的数据采集和边缘计算系统
CN111626324A (zh) * 2020-04-13 2020-09-04 山东省科学院海洋仪器仪表研究所 基于边缘计算的海底观测网数据异构解析集成方法
CN111654835B (zh) * 2020-06-05 2022-12-06 全球能源互联网研究院有限公司 一种边缘弹性接入的物联网系统及方法
CN111654835A (zh) * 2020-06-05 2020-09-11 全球能源互联网研究院有限公司 一种边缘弹性接入的物联网系统及方法
CN111935171B (zh) * 2020-08-24 2022-12-06 南方电网科学研究院有限责任公司 一种边缘计算下基于机器学习的终端安全策略选择方法
CN111935171A (zh) * 2020-08-24 2020-11-13 南方电网科学研究院有限责任公司 一种边缘计算下基于机器学习的终端安全策略选择方法
CN112257807B (zh) * 2020-11-02 2022-05-27 曲阜师范大学 一种基于自适应优化线性邻域集选择的降维方法及系统
CN112257807A (zh) * 2020-11-02 2021-01-22 曲阜师范大学 一种基于自适应优化线性邻域集选择的降维方法及系统
CN114444556A (zh) * 2020-11-03 2022-05-06 中国电信股份有限公司 用于目标的实时检测的装置及方法
CN112307287A (zh) * 2020-11-11 2021-02-02 国网山东省电力公司威海供电公司 基于云边协同架构的电力物联网数据分类处理方法及装置
CN114650156A (zh) * 2020-12-18 2022-06-21 北京华弘集成电路设计有限责任公司 一种物联网实时数据传输方法和系统
CN114650156B (zh) * 2020-12-18 2023-11-14 北京华弘集成电路设计有限责任公司 一种物联网实时数据传输方法和系统
CN112769822A (zh) * 2020-12-31 2021-05-07 中国科学院上海高等研究院 基于边缘计算的数据采集装置、系统及方法
CN112995190A (zh) * 2021-03-11 2021-06-18 北京德风新征程科技有限公司 一种基于安全认证的物联网数据安全方法及装置
CN113222170A (zh) * 2021-03-30 2021-08-06 新睿信智能物联研究院(南京)有限公司 一种用于物联网ai协同服务平台的智能算法和模型
CN113222170B (zh) * 2021-03-30 2024-04-23 新睿信智能物联研究院(南京)有限公司 一种用于物联网ai协同服务平台的智能算法和模型
CN113452751A (zh) * 2021-05-20 2021-09-28 国网江苏省电力有限公司信息通信分公司 基于云边协同的电力物联网任务安全迁移系统及方法
CN113687633A (zh) * 2021-06-29 2021-11-23 云南昆钢电子信息科技有限公司 一种钢筋质量管理系统和方法
CN113687633B (zh) * 2021-06-29 2024-06-18 云南昆钢电子信息科技有限公司 一种钢筋质量管理系统和方法

Also Published As

Publication number Publication date
CN107770263B (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN107770263B (zh) 一种基于边缘计算的物联网终端安全接入方法及系统
Ieracitano et al. Statistical analysis driven optimized deep learning system for intrusion detection
CN110166154B (zh) 一种基于神经网络的软件无线电频谱监测识别的方法
CN111144522B (zh) 一种基于硬件本征差异的电网nfc设备指纹认证方法
WO2021103206A1 (zh) 基于机器学习算法的无线射频设备身份识别方法及系统
CN112367273B (zh) 基于知识蒸馏的深度神经网络模型的流量分类方法及装置
CN110222795B (zh) 基于卷积神经网络的p2p流量的识别方法及相关装置
CN113687610B (zh) 一种gan-cnn电力监测系统终端信息防护法方法
CN115859344A (zh) 基于秘密共享的联邦无人机群数据安全共享方法
Sivaroopan et al. Netdiffus: network traffic generation by diffusion models through time-series imaging
CN112597379B (zh) 数据识别方法、装置和存储介质及电子装置
CN117729540A (zh) 一种基于统一边缘计算框架的感知设备云边安全管控方法
CN112566117A (zh) 基于度量学习的车辆节点身份识别方法及装置
CN104834813A (zh) 物联网多源异构数据统计分析处理方法和装置
CN116484206A (zh) 基于seim的未知辐射源个体识别方法及系统
CN115879030A (zh) 一种针对配电网的网络攻击分类方法和系统
CN114548569A (zh) 异质社交网络中缺失链路预测方法、系统和存储介质
CN112954689A (zh) 针对蓝牙无线传输的轻量化网络入侵检测系统和方法
CN114997299B (zh) 一种资源受限环境下的射频指纹识别方法
CN118101286B (zh) 一种基于卷积神经网络的网络被动流量分析方法及系统
CN112543428B (zh) 基于ELM-AdaBoost分类学习的室内定位方法
CN115424383B (zh) 一种智能门禁管理系统及方法
CN114998941B (zh) 一种高安全掌纹掌静脉识别方法、系统、设备及存储介质
CN116389175B (zh) 流量数据检测方法、训练方法、系统、设备及介质
CN118175544A (zh) 基于5g通信网络的自适应人脸识别与验证方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211012

Address after: 210000 building 18, 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province

Patentee after: CERTUSNET Corp.

Address before: 210000 Room 301, unit 2, building 214, Hengli Park, No. 399, Xiongzhou South Road, Longchi street, Liuhe District, Nanjing, Jiangsu Province

Patentee before: Nanjing Ningyi Intellectual Property Agency Co.,Ltd.

Effective date of registration: 20211012

Address after: 210000 Room 301, unit 2, building 214, Hengli Park, No. 399, Xiongzhou South Road, Longchi street, Liuhe District, Nanjing, Jiangsu Province

Patentee after: Nanjing Ningyi Intellectual Property Agency Co.,Ltd.

Address before: 611731, No. 2006, West Avenue, Chengdu hi tech Zone (West District, Sichuan)

Patentee before: University of Electronic Science and Technology of China