CN117370473A - 基于完整性攻击的数据处理方法、装置、设备及存储介质 - Google Patents

基于完整性攻击的数据处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117370473A
CN117370473A CN202311675696.3A CN202311675696A CN117370473A CN 117370473 A CN117370473 A CN 117370473A CN 202311675696 A CN202311675696 A CN 202311675696A CN 117370473 A CN117370473 A CN 117370473A
Authority
CN
China
Prior art keywords
variance
prediction
data
target
local prediction
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
CN202311675696.3A
Other languages
English (en)
Other versions
CN117370473B (zh
Inventor
张旭
孙华锦
胡雷钧
王小伟
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.)
Suzhou Metabrain Intelligent Technology Co Ltd
Original Assignee
Suzhou Metabrain Intelligent Technology Co Ltd
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 Suzhou Metabrain Intelligent Technology Co Ltd filed Critical Suzhou Metabrain Intelligent Technology Co Ltd
Priority to CN202311675696.3A priority Critical patent/CN117370473B/zh
Publication of CN117370473A publication Critical patent/CN117370473A/zh
Application granted granted Critical
Publication of CN117370473B publication Critical patent/CN117370473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24553—Query execution of query operations
    • G06F16/24554—Unary operations; Data partitioning operations
    • G06F16/24556—Aggregation; Duplicate elimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及计算机技术领域，公开了一种基于完整性攻击的数据处理方法、装置、设备及存储介质，包括：接收所连接的多个工作机上传的局部预测数据，局部预测数据为对应工作机在攻击风险下所得到的预测数据；获取多个局部预测数据的中位数及目标精度；基于局部预测数据与中位数的数据距离，确定目标邻域；对目标邻域内的局部预测数据进行聚合，得到全局预测数据；基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据；基于更新后的全局预测数据对局部预测数据进行更新；本发明可以提高云服务器网络中各工作机对外部完整性攻击的鲁棒性，提高数据处理的可靠性。

Description

基于完整性攻击的数据处理方法、装置、设备及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种基于完整性攻击的数据处理方法、装置、设备及存储介质。
背景技术
随着互联网和大数据时代的到来，各领域对人工智能性能需求的不断提升。为了提高数据处理、计算以及存储效率，云服务器网络分布式在线机器学习应运而生。然而在云服务器网络进行数据预测的过程中，由于云服务器网络中存在大量的工作机，但各工作机在面对外部的完整性攻击时较为脆弱，从而导致工作机容易产生错误的局部模型参数或者预测值。
发明内容
有鉴于此，本发明提供了一种基于完整性攻击的数据处理方法、装置、设备及存储介质，以解决现有云服务器网络进行数据预测的过程中，由于云服务器网络中各工作机在面对外部的完整性攻击时较为脆弱，从而导致工作机容易产生错误的局部模型参数或者预测值的问题。
第一方面，本发明提供了一种基于完整性攻击的数据处理方法，应用于云服务器网络中的云服务器，该方法包括：接收所连接的多个工作机上传的局部预测数据，所述局部预测数据为对应工作机在攻击风险下所得到的预测数据；获取多个所述局部预测数据的中位数及目标精度；基于所述局部预测数据与所述中位数的数据距离，确定目标邻域；对所述目标邻域内的所述局部预测数据进行聚合，得到全局预测数据；基于所述目标精度对所述全局预测数据进行迭代更新，得到更新后的全局预测数据；基于所述更新后的全局预测数据对所述局部预测数据进行更新。通过上述过程，可以提高云服务器网络中各工作机对外部完整性攻击的鲁棒性，提高数据处理的可靠性。
在一些可选的实施方式中，所述局部预测数据包括局部预测期望以及对应的局部预测方差，所述获取多个所述局部预测数据的中位数，包括：
对多个所述局部预测期望以及所述局部预测方差进行排序；
去除排序后的最大所述局部预测期望和最小所述局部预测期望，以及排序后的最大所述局部预测方差和最小所述局部预测方差；
基于去除最大所述局部预测期望及最小所述局部预测期望的剩余局部预测期望，确定期望中位数；
基于去除最大所述局部预测方差及最小所述局部预测方差的剩余局部预测方差，确定方差中位数；
基于所述期望中位数及所述方差中位数确定所述局部预测数据的中位数。
在一些可选的实施方式中，所述基于所述局部预测数据与所述中位数的数据距离，确定目标邻域，包括：
基于所述局部预测期望与所述期望中位数的数据距离，确定目标期望邻域；
基于所述局部预测方差与所述方差中位数的数据距离，确定目标方差邻域；
基于所述目标期望邻域及所述目标方差邻域，确定所述目标邻域。
在一些可选的实施方式中，所述基于所述局部预测期望与所述期望中位数的数据距离，确定目标期望邻域，包括：
获取各所述局部预测方差与所述方差中位数的数据距离；
对各所述局部预测方差与所述方差中位数的数据距离进行排序，并选取目标个数据距离最小的所述局部预测方差；
获取所述目标个数据距离最小的所述局部预测期望中的最大局部预测期望及最小局部预测期望；
基于所述方差中位数、所述最大局部预测期望及最小局部预测期望，确定所述目标期望邻域。
在一些可选的实施方式中，所述基于所述局部预测方差与所述方差中位数的数据距离，确定目标方差邻域，包括：
获取各所述局部预测方差与所述方差中位数的数据距离；
对各所述局部预测方差与所述方差中位数的数据距离进行排序，并选取目标个数据距离最小的所述局部预测方差；
获取所述目标个数据距离最小的所述局部预测方差中的最大局部预测方差及最小局部预测方差；
基于所述方差中位数、所述最大局部预测方差及最小局部预测方差，确定所述目标方差邻域。
在一些可选的实施方式中，所述基于所述局部预测期望与所述期望中位数的数据距离，确定目标期望邻域，还包括：
获取各所述局部预测期望与所述期望中位数的第一闵氏距离以及第一目标闵氏距离；
基于所述第一闵氏距离中小于或等于所述第一目标闵氏距离的所述局部预测期望，确定所述目标期望邻域。
在一些可选的实施方式中，所述基于所述局部预测方差与所述方差中位数的数据距离，确定目标方差邻域，还包括：
获取各所述局部预测方差与所述方差中位数的第二闵氏距离以及第二目标闵氏距离；
基于所述第二闵氏距离中小于或等于所述第二目标闵氏距离的所述局部预测方差，确定所述目标方差邻域。
在一些可选的实施方式中，所述对所述目标邻域内的所述局部预测数据进行聚合，得到全局预测数据，包括：
对所述目标期望邻域中的多个局部预测期望进行加权平均计算，得到全局预测期望；
对所述目标方差邻域中的多个局部预测方差进行加权平均计算，得到全局预测方差；
基于所述全局预测期望及所述全局预测方差，得到所述全局预测数据。
在一些可选的实施方式中，所述局部预测数据的计算模型为：
其中，为工作机在期望攻击风险下所得到的局部预测期望，/>为工作机在方差攻击风险下所得到的局部预测方差，/>为期望攻击风险，/>为方差攻击风险。
在一些可选的实施方式中，所述目标精度包括目标期望精度及目标方差精度，所述基于所述目标精度对所述全局预测数据进行迭代更新，得到更新后的全局预测数据，包括：
对所述全局预测期望进行迭代更新，当更新后的所述全局预测期望在所述目标期望精度的第一邻域内时，得到更新全局预测期望；
对所述全局预测方差进行迭代更新，当更新后的所述全局预测方差在所述目标方差精度的第二邻域内时，得到更新全局预测方差；
基于所述更新全局预测期望及所述更新全局预测方差，得到更新后的全局预测数据。
在一些可选的实施方式中，所述基于所述更新后的全局预测数据对所述局部预测数据进行更新，包括：
基于所述更新全局预测期望对所述局部预测期望进行更新；
基于所述更新全局预测方差对所述局部预测方差进行更新。
在一些可选的实施方式中，所述基于所述更新全局预测期望对所述局部预测期望进行更新，包括：
对比所述更新全局预测期望与所述局部预测期望，得到期望比对结果；
当所述期望比对结果表征所述更新全局预测期望大于所述局部预测期望时，将所述更新全局预测期望更新为所述局部预测期望。
在一些可选的实施方式中，所述基于所述更新全局预测方差对所述局部预测方差进行更新，包括：
对比所述更新全局预测方差与所述局部预测方差，得到方差比对结果；
当所述方差比对结果表征所述更新全局预测方差小于所述局部预测方差时，将所述更新全局预测方差更新为所述局部预测方差。
第二方面，本发明提供了一种基于完整性攻击的数据处理装置，应用于云服务器网络中的云服务器，该装置主要包括：数据接收模块，用于接收所连接的多个工作机上传的局部预测数据，所述局部预测数据为对应工作机在攻击风险下所得到的预测数据；数据获取模块，用于获取多个所述局部预测数据的中位数及目标精度；邻域确定模块，用于基于所述局部预测数据与所述中位数的数据距离，确定目标邻域；数据聚合模块，用于对所述目标邻域内的所述局部预测数据进行聚合，得到全局预测数据；迭代更新模块，用于基于所述目标精度对所述全局预测数据进行迭代更新，得到更新后的全局预测数据；数据处理模块，用于基于所述更新后的全局预测数据对所述局部预测数据进行更新。通过上述过程，可以提高云服务器网络中各工作机对外部完整性攻击的鲁棒性，提高数据处理的可靠性。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的基于完整性攻击的数据处理方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的基于完整性攻击的数据处理方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种应用环境的示意图；
图2是本发明实施例的基于完整性攻击的数据处理方法的流程示意图；
图3是本发明实施例的另一基于完整性攻击的数据处理方法的流程示意图；
图4是本发明实施例的又一基于完整性攻击的数据处理方法的流程示意图；
图5是本发明实施例的基于完整性攻击的数据处理装置的结构框图；
图6是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本发明中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本发明实施例不做限制。
请参阅图1，图1是本发明实施例提供的一种应用环境的示意图，该示意图的云服务器网络包括多个工作机，工作机中可以包含有处理器和存储器。多个工作机可以通过网络与对应的云服务器进行通信连接，该云服务器可用于为客户端上安装的计算程序提供服务（如聚合服务等），可在云服务器上或独立于云服务器设置数据库，用于为云服务器提供数据存储服务。其中，云服务器的数量为多个，即将云服务器网络中的工作机进行分组，每组工作机配备一个云服务器进行局部预测的聚合。此外，云服务器中可以运行有处理引擎，该处理引擎可以用于执行由云服务器所执行的步骤。
可选的，工作机可以但不限于为可以计算数据的终端，如移动终端（例如平板电脑）、笔记本电脑、PC（Personal Computer，个人计算机）机等终端上，上述网络可以包括但不限于：广域网、城域网、局域网等。上述云服务器可以包括但不限于任何可以进行计算的硬件设备。
此外，在本实施例中，上述基于完整性攻击的数据处理方法还可以但不限于应用于处理能力较强大的独立的处理设备中，而无需进行数据交互。例如，该处理设备可以但不限于为处理能力较强大的终端设备，即，上述基于完整性攻击的数据处理方法中的各个操作可以集成在一个独立的处理设备中。上述仅是一种示例，本实施例中对此不作任何限定。
根据本发明实施例，提供了一种基于完整性攻击的数据处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于完整性攻击的数据处理方法，可用于上述应用于云服务器网络中的云服务器，图2是根据本发明实施例的基于完整性攻击的数据处理方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，接收所连接的多个工作机上传的局部预测数据，局部预测数据为对应工作机在攻击风险下所得到的预测数据。
如上，通过接收所连接的多个工作机上传的局部预测数据，即云服务器对应工作机在攻击风险下所得到的预测数据，为局部预测数据的中位数的确定提供必要条件。
在一些可选的实施方式中，局部预测数据包括局部预测期望以及对应的局部预测方差。局部预测期望及局部预测方差由工作机基于目标训练集及核函数计算得到，目标训练集是基于工作机接收到的流数据及存储的局部训练集确定。
在一些可选的实施方式中，基于流数据及局部训练集确定目标训练集时，可以计算流数据与局部训练集中任意训练数据的数据距离，得到数据距离列表；对数据距离列表中的各数据距离进行排序，并选取目标个数据距离最小的数据组成目标训练集。
具体的，局部训练集存储在各工作机的数据库中，是由该工作机接收到的历史流数据得到。针对任一工作机，当该工作机在当前时刻接收到对应的流数据时，遍历上述局部训练集，从而得到该流数据与局部训练集中各局部训练数据的数据距离；然后基于该流数据与局部训练集中各局部训练数据的数据距离如闵式距离及曼哈顿距离，生成数据距离列表，对数据距离列表中的各数据距离进行排序并选取目标个数据距离最小的数据组成目标训练集；接着通核函在目标训练集上计算高斯后验概率分布，从而得到当前工作机的局部预测数据及局部预测方差。
在一些可选的实施方式中，局部预测数据的计算模型为：
其中，为工作机在期望攻击风险下所得到的局部预测期望，/>为工作机在方差攻击风险下所得到的局部预测方差，/>为期望攻击风险，/>为方差攻击风险。
可以理解的，当云服务器网络的网络环境中出现了不安定因素，使得攻击者对工作机局部预测期望和方差进行篡改，如由拜占庭攻击和错误数据注入攻击所造成的数据篡改。其中拜占庭攻击直接控制工作机，使其发送错误局部预测期望和方差；而错误数据注入攻击发生在局部工作机向云服务器传输的阶段，直接在正确的预测值上进行修改，因此上述的期望攻击风险为工作机在拜占庭攻击和错误数据注入攻击下对局部预测期望的生成以及传输所造成的风险；方差攻击风险为工作机在拜占庭攻击和错误数据注入攻击下对局部预测期望的生成以及传输所造成的风险。和/>可以为任意值，否则/>，其对应了干净的网络环境。
步骤S202，获取多个局部预测数据的中位数及目标精度。
如上，通过获取多个局部预测数据的中位数，以便于基于局部预测数据与中位数的关系进行目标邻域的确定，通过目标精度的获取为后续数据的聚合提供依据。
在一些可选的实施方式中，获取多个局部预测数据的中位数时，可以对多个局部预测期望以及局部预测方差进行排序；去除排序后的最大局部预测期望和最小局部预测期望，以及排序后的最大局部预测方差和最小局部预测方差；基于去除最大局部预测期望及最小局部预测期望的剩余局部预测期望，确定期望中位数；基于去除最大局部预测方差及最小局部预测方差的剩余局部预测方差，确定方差中位数；基于期望中位数及方差中位数确定局部预测数据的中位数。
示例性的，云服务器对所接收的所有局部预测期望和局部预测方差按照数值大小，分别进行由小到大的排序。不失一般性，假设第一个工作机的局部预测期望和方差最小，而第n个工作机的局部预测期望和方差最大，数学表达如下：
将排序好的局部预测期望和方差，分别求取中位数。
定义期望中位数和方差中位数分别为和/>。
在一些可选的实施方式中，目标精度是由上一时刻的更新后的聚合数据确定的，还可以是基于用户需求确定的。
步骤S203，基于局部预测数据与中位数的数据距离，确定目标邻域。
如上，通过基于局部预测数据与中位数的数据距离，确定目标邻域，以便于基于目标邻域进行全局预测数据的确定。
在一些可选的实施方式中，基于局部预测数据与中位数的数据距离，确定目标邻域时，可以获取各局部预测方差与方差中位数的数据距离；对各局部预测方差与方差中位数的数据距离进行排序，并选取目标个数据距离最小的局部预测方差；获取目标个数据距离最小的局部预测期望中的最大局部预测期望及最小局部预测期望；基于方差中位数、最大局部预测期望及最小局部预测期望，确定目标期望邻域。可以获取各局部预测方差与方差中位数的数据距离；对各局部预测方差与方差中位数的数据距离进行排序，并选取目标个数据距离最小的局部预测方差；获取目标个数据距离最小的局部预测方差中的最大局部预测方差及最小局部预测方差；基于方差中位数、最大局部预测方差及最小局部预测方差，确定目标方差邻域。基于目标期望邻域及目标方差邻域，确定目标邻域。
步骤S204，对目标邻域内的局部预测数据进行聚合，得到全局预测数据。
如上，通过对目标邻域内的局部预测数据进行聚合，得到全局预测数据，以便于基于全局预测数据对工作机的局部预测数据进行更新。
在一些可选的实施方式中，对目标邻域内的局部预测数据进行聚合，得到全局预测数据时，可以对目标期望邻域中的多个局部预测期望进行加权平均计算，得到全局预测期望；对目标方差邻域中的多个局部预测方差进行加权平均计算，得到全局预测方差；基于全局预测期望及全局预测方差，得到全局预测数据。
在一些可选的实施方式中，全局预测数据的计算模型为：
其中，为工作机，/>为全局预测期望，/>为全局预测方差，/>为局部预测期望，/>为局部预测方差，/>为目标期望邻域，/>为目标方差邻域。
步骤S205，基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据。
如上，通过基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据，从而进一步提升了工作机的预测性能。
在一些可选的实施方式中，基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据时，可以将目标精度分解为目标期望精度及目标方差精度，对全局预测期望进行迭代更新得到更新全局预测期望以及更新全局预测方差；基于更新全局预测期望及更新全局预测方差，得到更新后的全局预测数据。
步骤S206，基于更新后的全局预测数据对局部预测数据进行更新。
如上，当更新后的全局预测数据在目标精度对应的范围内，则确定更新后的全局预测数据为云服务器的目标全局预测数据，从而进一步提升了工作机针对完整性攻击的鲁棒性。
在一些可选的实施方式中，基于更新后的全局预测数据对局部预测数据进行更新时，可以基于更新全局预测期望对局部预测期望进行更新；基于更新全局预测方差对局部预测方差进行更新。
在一些可选的实施方式中，基于更新全局预测期望对局部预测期望进行更新时，可以对比更新全局预测期望与局部预测期望，得到期望比对结果；当期望比对结果表征更新全局预测期望大于局部预测期望时，将更新全局预测期望更新为局部预测期望。
在一些可选的实施方式中，基于更新全局预测方差对局部预测方差进行更新时，可以对比更新全局预测方差与局部预测方差，得到方差比对结果；当方差比对结果表征更新全局预测方差小于局部预测方差时，将更新全局预测方差更新为局部预测方差。
可以理解的，通过中位数的求取，可以筛选出“良性”邻域，使得云服务器根据“良性”邻域计算出的全局预测期望和全局预测方差对完整性攻击具有鲁棒性；利用“良性”邻域内所有的预测值进行平均求取，使得全局预测期望和方差能够更多的利用局部预测的信息，得到更为优秀的全局预测。
本实施例提供的基于完整性攻击的数据处理方法，首先通过接收所连接的多个工作机上传的局部预测数据，即云服务器对应工作机在攻击风险下所得到的预测数据，为局部预测数据的中位数的确定提供必要条件；通过获取多个局部预测数据的中位数，以便于基于局部预测数据与中位数的关系进行目标邻域的确定，通过目标精度的获取为后续数据的聚合提供依据；通过基于局部预测数据与中位数的数据距离，确定目标邻域，以便于基于目标邻域进行全局预测数据的确定；通过对目标邻域内的局部预测数据进行聚合，得到全局预测数据，以便于基于全局预测数据对工作机的局部预测数据进行更新；通过基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据，从而进一步提升了工作机的预测性；当更新后的全局预测数据在目标精度对应的范围内，则确定更新后的全局预测数据为云服务器的目标全局预测数据，从而进一步提升了工作机针对完整性攻击的鲁棒性。因此，本发明可以提高云服务器网络中各个工作机对外部完整性攻击的鲁棒性，提高数据处理的可靠性。
在本实施例中提供了一种基于完整性攻击的数据处理方法，可应用于云服务器网络中的云服务器，图3是根据本发明实施例的基于完整性攻击的数据处理方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，接收所连接的多个工作机上传的局部预测数据，局部预测数据为对应工作机在攻击风险下所得到的预测数据。
详细请参见图2所示实施例的步骤S201，在此不再赘述。
步骤S302，获取多个局部预测数据的中位数及目标精度。
详细请参见图2所示实施例的步骤S202，在此不再赘述。
步骤S303，基于局部预测数据与中位数的数据距离，确定目标邻域。
具体地，上述步骤S303包括：
步骤S3031，基于局部预测期望与期望中位数的数据距离，确定目标期望邻域。
如上，通过基于局部预测期望与期望中位数的数据距离，确定目标期望邻域，为目标领域的确定提供必要条件。
在一些可选的实施方式中，基于局部预测期望与期望中位数的数据距离，确定目标期望邻域时，可以获取各局部预测方差与方差中位数的数据距离；对各局部预测方差与方差中位数的数据距离进行排序，并选取目标个数据距离最小的局部预测方差；获取目标个数据距离最小的局部预测期望中的最大局部预测期望及最小局部预测期望；基于方差中位数、最大局部预测期望及最小局部预测期望，确定目标期望邻域。
步骤S3032，基于局部预测方差与方差中位数的数据距离，确定目标方差邻域。
如上，通过基于局部预测方差与方差中位数的数据距离，确定目标方差邻域，为目标领域的确定提供必要条件。
在一些可选的实施方式中，基于局部预测方差与方差中位数的数据距离，确定目标方差邻域时，可以获取各局部预测方差与方差中位数的数据距离；对各局部预测方差与方差中位数的数据距离进行排序，并选取目标个数据距离最小的局部预测方差；获取目标个数据距离最小的局部预测方差中的最大局部预测方差及最小局部预测方差；基于方差中位数、最大局部预测方差及最小局部预测方差，确定目标方差邻域。
步骤S3033，基于目标期望邻域及目标方差邻域，确定目标邻域。
如上，通过基于目标期望邻域及目标方差邻域，确定目标邻域，以便于基于目标邻域进行全局预测数据的确定。
示例性的，在一个集合内，所得到的数值不确定其是否是被攻击过，但是这些数值却可以保证鲁棒的全局聚合结果。因此，依据云服务器网络中最多的攻击个数不会超过一半。那么，根据中位数和/>，构造目标邻域即“良性”邻域：分别找到与中位数/>和/>距离最近的/>个局部预测期望/>和方差/>。
步骤S304，对目标邻域内的局部预测数据进行聚合，得到全局预测数据。
详细请参见图2所示实施例的步骤S204，在此不再赘述。
步骤S305，基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据。
详细请参见图2所示实施例的步骤S205，在此不再赘述。
步骤S306，基于更新后的全局预测数据对局部预测数据进行更新。
详细请参见图2所示实施例的步骤S206，在此不再赘述。
本实施例提供的基于完整性攻击的数据处理方法，首先通过接收所连接的多个工作机上传的局部预测数据，即云服务器对应工作机在攻击风险下所得到的预测数据，为局部预测数据的中位数的确定提供必要条件；通过获取多个局部预测数据的中位数，以便于基于局部预测数据与中位数的关系进行目标邻域的确定，通过目标精度的获取为后续数据的聚合提供依据；通过基于局部预测数据与中位数的数据距离，确定目标邻域，以便于基于目标邻域进行全局预测数据的确定；通过对目标邻域内的局部预测数据进行聚合，得到全局预测数据，以便于基于全局预测数据对工作机的局部预测数据进行更新；通过基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据，从而进一步提升了工作机的预测性；当更新后的全局预测数据在目标精度对应的范围内，则确定更新后的全局预测数据为云服务器的目标全局预测数据，从而进一步提升了工作机针对完整性攻击的鲁棒性。因此，本发明可以提高云服务器网络中各个工作机对外部完整性攻击的鲁棒性，提高数据处理的可靠性。
在本实施例中提供了一种基于完整性攻击的数据处理方法，可应用于云服务器网络中的云服务器，图4是根据本发明实施例的基于完整性攻击的数据处理方法的流程图，如图4所示，该流程包括如下步骤：
步骤S401，接收所连接的多个工作机上传的局部预测数据，局部预测数据为对应工作机在攻击风险下所得到的预测数据。
通过获取目标应用所发起的直接内存访问请求，以便于基于该直接内存访问请求进行传输层内存读请求的发起。
详细请参见图2所示实施例的步骤S201，在此不再赘述。
步骤S402，获取多个局部预测数据的中位数及目标精度。
详细请参见图2所示实施例的步骤S202，在此不再赘述。
步骤S403，基于局部预测数据与中位数的数据距离，确定目标邻域。
详细请参见图2所示实施例的步骤S203，在此不再赘述。
步骤S404，对目标邻域内的局部预测数据进行聚合，得到全局预测数据。
详细请参见图3所示实施例的步骤S304，在此不再赘述。
步骤S405，基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据。
具体的，上述步骤S405包括：
步骤S4051，对全局预测期望进行迭代更新，当更新后的全局预测期望在目标期望精度的第一邻域内时，得到更新全局预测期望。
步骤S4052，对全局预测方差进行迭代更新，当更新后的全局预测方差在目标方差精度的第二邻域内时，得到更新全局预测方差。
步骤S4053，基于更新全局预测期望及更新全局预测方差，得到更新后的全局预测数据。
在一些可选的实施方式中，分别对目标邻域内的所有预测期望和方差进行平均运算，得到鲁棒全局预测期望和方差。我们定义目标邻域为，并分别将/>中的元素赋值，即/>和/>，再进行平均运算，得到更新后的全局预测数据的计算模型为：
其中，为迭代次数，/>为更新全局预测期望，/>为更新全局预测方差，/>为全局预测期望，/>为全局预测方差。
进一步地，在第轮，聚合的局部预测期望和局部预测方差即是云服务器接收到的目标邻域为/>的局部预测期望/>和局部预测方差/>。用数学表示为，/>和/>。在第/>轮，云服务器将全局预测期望/>和方差/>发送回各个工作机。
具体的，在第轮，根据全局预测方差/>和局部预测方差/>，对每一个工作机进行融合，使得融合后的预测期望更加逼近函数/>的真实值。构造一个具有小不确定性的测试数据/>的集合如下：
定义融合之后每个工作机的预测期望和方差为和/>。如果这个集合不是空集，即/>，那么来自云服务器的全局预测期望/>和全局预测方差将被使用，/>和/>。如果这个集合为空集，那么来自工作机的局部预测将会被使用，/>和/>。/>为目标训练集。
为在第一轮工作机的预测融合之后，每个工作机将融合的预测期望和预测方差/>再发送给云服务器。在/>轮，云服务器接收到所有的/>和/>之后，进行如下聚合：
其中,和/>。
在每一轮迭代过程中，都进行中位数法的目标邻域构造，保证聚合结果对完整性攻击具有鲁棒性。
步骤S406，基于更新后的全局预测数据对局部预测数据进行更新。
详细请参见图2所示实施例的步骤S206，在此不再赘述。
本实施例提供的基于完整性攻击的数据处理方法，首先通过接收所连接的多个工作机上传的局部预测数据，即云服务器对应工作机在攻击风险下所得到的预测数据，为局部预测数据的中位数的确定提供必要条件；通过获取多个局部预测数据的中位数，以便于基于局部预测数据与中位数的关系进行目标邻域的确定，通过目标精度的获取为后续数据的聚合提供依据；通过基于局部预测数据与中位数的数据距离，确定目标邻域，以便于基于目标邻域进行全局预测数据的确定；通过对目标邻域内的局部预测数据进行聚合，得到全局预测数据，以便于基于全局预测数据对工作机的局部预测数据进行更新；通过基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据，从而进一步提升了工作机的预测性；当更新后的全局预测数据在目标精度对应的范围内，则确定更新后的全局预测数据为云服务器的目标全局预测数据，从而进一步提升了工作机针对完整性攻击的鲁棒性。因此，本发明可以提高云服务器网络中各个工作机对外部完整性攻击的鲁棒性，提高数据处理的可靠性。
在本实施例中还提供了一种基于完整性攻击的数据处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于完整性攻击的数据处理装置，应用于云服务器网络中的云服务器，如图5所示，包括：
数据接收模块501，用于接收所连接的多个工作机上传的局部预测数据，局部预测数据为对应工作机在攻击风险下所得到的预测数据。
其中，局部预测期望及局部预测方差由工作机基于目标训练集及核函数计算得到，目标训练集是基于工作机接收到的流数据及存储的局部训练集确定。
数据获取模块502，用于获取多个局部预测数据的中位数及目标精度。
邻域确定模块503，用于基于局部预测数据与中位数的数据距离，确定目标邻域。
数据聚合模块504，用于对目标邻域内的局部预测数据进行聚合，得到全局预测数据。
迭代更新模块505，用于基于目标精度对全局预测数据进行迭代更新，得到更新后的全局预测数据。
数据处理模块506，用于基于更新后的全局预测数据对局部预测数据进行更新。
在一些可选的实施方式中，数据接收模块501，包括：
数据距离计算单元，用于计算流数据与局部训练集中任意训练数据的数据距离，得到数据距离列表。
训练集确定单元，用于对数据距离列表中的各数据距离进行排序，并选取目标个数据距离最小的数据组成目标训练集。
在一些可选的实施方式中，局部预测数据包括局部预测期望以及对应的局部预测方差，数据获取模块502包括：
排序单元，用于对多个局部预测期望以及局部预测方差进行排序。
去除单元，用于去除排序后的最大局部预测期望和最小局部预测期望，以及排序后的最大局部预测方差和最小局部预测方差。
第一确定单元，用于基于去除最大局部预测期望及最小局部预测期望的剩余局部预测期望，确定期望中位数。
第二确定单元，用于基于去除最大局部预测方差及最小局部预测方差的剩余局部预测方差，确定方差中位数。
中位数确定单元，用于基于期望中位数及方差中位数确定局部预测数据的中位数。
在一些可选的实施方式中，局部预测数据的计算模型为：
其中，为工作机在期望攻击风险下所得到的局部预测期望，/>为工作机在方差攻击风险下所得到的局部预测方差，/>为期望攻击风险，/>为方差攻击风险。
在一些可选的实施方式中，邻域确定模块503，包括：
期望邻域确定单元，用于基于局部预测期望与期望中位数的数据距离，确定目标期望邻域。
具体的，获取各局部预测方差与方差中位数的数据距离；对各局部预测方差与方差中位数的数据距离进行排序，并选取目标个数据距离最小的局部预测方差；获取目标个数据距离最小的局部预测期望中的最大局部预测期望及最小局部预测期望；基于方差中位数、最大局部预测期望及最小局部预测期望，确定目标期望邻域。
方差邻域确定单元，用于基于局部预测方差与方差中位数的数据距离，确定目标方差邻域。
具体的，获取各局部预测方差与方差中位数的数据距离；对各局部预测方差与方差中位数的数据距离进行排序，并选取目标个数据距离最小的局部预测方差；获取目标个数据距离最小的局部预测方差中的最大局部预测方差及最小局部预测方差；基于方差中位数、最大局部预测方差及最小局部预测方差，确定目标方差邻域。
目标邻域确定单元，用于基于目标期望邻域及目标方差邻域，确定目标邻域。
在一些可选的实施方式中，期望邻域确定单元，还用于获取各局部预测期望与期望中位数的第一闵氏距离以及第一目标闵氏距离；基于第一闵氏距离中小于或等于第一目标闵氏距离的局部预测期望，确定目标期望邻域。
在一些可选的实施方式中，方差邻域确定单元，还用于获取各局部预测方差与方差中位数的第二闵氏距离以及第二目标闵氏距离；基于第二闵氏距离中小于或等于第二目标闵氏距离的局部预测方差，确定目标方差邻域。
在一些可选的实施方式中，数据聚合模块504，包括：
全局预测期望计算单元，用于对目标期望邻域中的多个局部预测期望进行加权平均计算，得到全局预测期望。
全局预测方差计算单元，用于对目标方差邻域中的多个局部预测方差进行加权平均计算，得到全局预测方差。
全局预测数据确定单元，用于基于全局预测期望及全局预测方差，得到全局预测数据。
在一些可选的实施方式中，全局预测数据的计算模型为：
其中，为工作机，/>为全局预测期望，/>为全局预测方差，/>为局部预测期望，/>为局部预测方差，/>为目标期望邻域，/>为目标方差邻域。
在一些可选的实施方式中，迭代更新模块505，包括：
全局预测期望更新单元，用于对全局预测期望进行迭代更新，当更新后的全局预测期望在目标期望精度的第一邻域内时，得到更新全局预测期望。
全局预测方差更新单元，用于对全局预测方差进行迭代更新，当更新后的全局预测方差在目标方差精度的第二邻域内时，得到更新全局预测方差。
全局预测数据更新单元，用于基于更新全局预测期望及更新全局预测方差，得到更新后的全局预测数据。
在一些可选的实施方式中，更新后的全局预测数据的计算模型为：
其中，为迭代次数，/>为更新全局预测期望，/>为更新全局预测方差，/>为全局预测期望，/>为全局预测方差。
在一些可选的实施方式中，数据处理模块506，包括：
期望更新单元，用于基于更新全局预测期望对局部预测期望进行更新。
具体的，对比更新全局预测期望与局部预测期望，得到期望比对结果；当期望比对结果表征更新全局预测期望大于局部预测期望时，将更新全局预测期望更新为局部预测期望。
方差更新单元，用于基于更新全局预测方差对局部预测方差进行更新。
具体的，对比更新全局预测方差与局部预测方差，得到方差比对结果；当方差比对结果表征更新全局预测方差小于局部预测方差时，将更新全局预测方差更新为局部预测方差。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的基于完整性攻击的数据处理装置是以功能单元的形式来呈现，这里的单元是指ASIC（ApplicationSpecificIntegratedCircuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图5所示的基于完整性攻击的数据处理装置。
请参阅图6，图6是本发明可选实施例提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、服务器集群、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (16)

1.一种基于完整性攻击的数据处理方法，其特征在于，应用于云服务器网络中的云服务器，所述方法包括：
接收所连接的多个工作机上传的局部预测数据，所述局部预测数据为对应工作机在攻击风险下所得到的预测数据；
获取多个所述局部预测数据的中位数及目标精度；
基于所述局部预测数据与所述中位数的数据距离，确定目标邻域；
对所述目标邻域内的所述局部预测数据进行聚合，得到全局预测数据；
基于所述目标精度对所述全局预测数据进行迭代更新，得到更新后的全局预测数据；
基于所述更新后的全局预测数据对所述局部预测数据进行更新。
2.根据权利要求1所述的方法，其特征在于，所述局部预测数据包括局部预测期望以及对应的局部预测方差，所述获取多个所述局部预测数据的中位数，包括：
对多个所述局部预测期望以及所述局部预测方差进行排序；
去除排序后的最大所述局部预测期望和最小所述局部预测期望，以及排序后的最大所述局部预测方差和最小所述局部预测方差；
基于去除最大所述局部预测期望及最小所述局部预测期望的剩余局部预测期望，确定期望中位数；
基于去除最大所述局部预测方差及最小所述局部预测方差的剩余局部预测方差，确定方差中位数；
基于所述期望中位数及所述方差中位数确定所述局部预测数据的中位数。
3.根据权利要求2所述的方法，其特征在于，所述基于所述局部预测数据与所述中位数的数据距离，确定目标邻域，包括：
基于所述局部预测期望与所述期望中位数的数据距离，确定目标期望邻域；
基于所述局部预测方差与所述方差中位数的数据距离，确定目标方差邻域；
基于所述目标期望邻域及所述目标方差邻域，确定所述目标邻域。
4.根据权利要求3所述的方法，其特征在于，所述基于所述局部预测期望与所述期望中位数的数据距离，确定目标期望邻域，包括：
获取各所述局部预测方差与所述方差中位数的数据距离；
对各所述局部预测方差与所述方差中位数的数据距离进行排序，并选取目标个数据距离最小的所述局部预测方差；
获取所述目标个数据距离最小的所述局部预测期望中的最大局部预测期望及最小局部预测期望；
基于所述方差中位数、所述最大局部预测期望及最小局部预测期望，确定所述目标期望邻域。
5.根据权利要求3所述的方法，其特征在于，所述基于所述局部预测方差与所述方差中位数的数据距离，确定目标方差邻域，包括：
获取各所述局部预测方差与所述方差中位数的数据距离；
对各所述局部预测方差与所述方差中位数的数据距离进行排序，并选取目标个数据距离最小的所述局部预测方差；
获取所述目标个数据距离最小的所述局部预测方差中的最大局部预测方差及最小局部预测方差；
基于所述方差中位数、所述最大局部预测方差及最小局部预测方差，确定所述目标方差邻域。
6.根据权利要求3所述的方法，其特征在于，所述基于所述局部预测期望与所述期望中位数的数据距离，确定目标期望邻域，还包括：
获取各所述局部预测期望与所述期望中位数的第一闵氏距离以及第一目标闵氏距离；
基于所述第一闵氏距离中小于或等于所述第一目标闵氏距离的所述局部预测期望，确定所述目标期望邻域。
7.根据权利要求3所述的方法，其特征在于，所述基于所述局部预测方差与所述方差中位数的数据距离，确定目标方差邻域，还包括：
获取各所述局部预测方差与所述方差中位数的第二闵氏距离以及第二目标闵氏距离；
基于所述第二闵氏距离中小于或等于所述第二目标闵氏距离的所述局部预测方差，确定所述目标方差邻域。
8.根据权利要求3所述的方法，其特征在于，所述对所述目标邻域内的所述局部预测数据进行聚合，得到全局预测数据，包括：
对所述目标期望邻域中的多个局部预测期望进行加权平均计算，得到全局预测期望；
对所述目标方差邻域中的多个局部预测方差进行加权平均计算，得到全局预测方差；
基于所述全局预测期望及所述全局预测方差，得到所述全局预测数据。
9.根据权利要求2所述的方法，其特征在于，所述局部预测数据的计算模型为：
其中，为工作机在期望攻击风险下所得到的局部预测期望，/>为工作机在方差攻击风险下所得到的局部预测方差，/>为期望攻击风险，/>为方差攻击风险。
10.根据权利要求8所述的方法，其特征在于，所述目标精度包括目标期望精度及目标方差精度，所述基于所述目标精度对所述全局预测数据进行迭代更新，得到更新后的全局预测数据，包括：
对所述全局预测期望进行迭代更新，当更新后的所述全局预测期望在所述目标期望精度的第一邻域内时，得到更新全局预测期望；
对所述全局预测方差进行迭代更新，当更新后的所述全局预测方差在所述目标方差精度的第二邻域内时，得到更新全局预测方差；
基于所述更新全局预测期望及所述更新全局预测方差，得到更新后的全局预测数据。
11.根据权利要求10所述的方法，其特征在于，所述基于所述更新后的全局预测数据对所述局部预测数据进行更新，包括：
基于所述更新全局预测期望对所述局部预测期望进行更新；
基于所述更新全局预测方差对所述局部预测方差进行更新。
12.根据权利要求11所述的方法，其特征在于，所述基于所述更新全局预测期望对所述局部预测期望进行更新，包括：
对比所述更新全局预测期望与所述局部预测期望，得到期望比对结果；
当所述期望比对结果表征所述更新全局预测期望大于所述局部预测期望时，将所述更新全局预测期望更新为所述局部预测期望。
13.根据权利要求11所述的方法，其特征在于，所述基于所述更新全局预测方差对所述局部预测方差进行更新，包括：
对比所述更新全局预测方差与所述局部预测方差，得到方差比对结果；
当所述方差比对结果表征所述更新全局预测方差小于所述局部预测方差时，将所述更新全局预测方差更新为所述局部预测方差。
14.一种基于完整性攻击的数据处理装置，其特征在于，应用于云服务器网络中的云服务器，所述装置包括：
数据接收模块，用于接收所连接的多个工作机上传的局部预测数据，所述局部预测数据为对应工作机在攻击风险下所得到的预测数据；
数据获取模块，用于获取多个所述局部预测数据的中位数及目标精度；
邻域确定模块，用于基于所述局部预测数据与所述中位数的数据距离，确定目标邻域；
数据聚合模块，用于对所述目标邻域内的所述局部预测数据进行聚合，得到全局预测数据；
迭代更新模块，用于基于所述目标精度对所述全局预测数据进行迭代更新，得到更新后的全局预测数据；
数据处理模块，用于基于所述更新后的全局预测数据对所述局部预测数据进行更新。
15.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至13中任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至13中任一项所述的方法。
CN202311675696.3A 2023-12-07 2023-12-07 基于完整性攻击的数据处理方法、装置、设备及存储介质 Active CN117370473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311675696.3A CN117370473B (zh) 2023-12-07 2023-12-07 基于完整性攻击的数据处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311675696.3A CN117370473B (zh) 2023-12-07 2023-12-07 基于完整性攻击的数据处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117370473A true CN117370473A (zh) 2024-01-09
CN117370473B CN117370473B (zh) 2024-03-01

Family

ID=89396920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311675696.3A Active CN117370473B (zh) 2023-12-07 2023-12-07 基于完整性攻击的数据处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117370473B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174191A (zh) * 2022-06-30 2022-10-11 山东云海国创云计算装备产业创新中心有限公司 一种局部预测值安全传输方法、计算机设备和存储介质
CN115456202A (zh) * 2022-11-08 2022-12-09 苏州浪潮智能科技有限公司 一种提高工作机学习性能的方法、装置、设备及介质
CN116937579A (zh) * 2023-09-19 2023-10-24 太原理工大学 一种考虑时空相关性的风电功率区间预测及其可解释方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174191A (zh) * 2022-06-30 2022-10-11 山东云海国创云计算装备产业创新中心有限公司 一种局部预测值安全传输方法、计算机设备和存储介质
CN115456202A (zh) * 2022-11-08 2022-12-09 苏州浪潮智能科技有限公司 一种提高工作机学习性能的方法、装置、设备及介质
CN116937579A (zh) * 2023-09-19 2023-10-24 太原理工大学 一种考虑时空相关性的风电功率区间预测及其可解释方法

Also Published As

Publication number Publication date
CN117370473B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN110574338B (zh) 根本原因发现方法及系统
US10033570B2 (en) Distributed map reduce network
US11455322B2 (en) Classification of time series data
WO2020209958A1 (en) Adaptive severity functions for alerts
WO2018157752A1 (en) Approximate random number generator by empirical cumulative distribution function
CN110597719B (zh) 一种用于适配测试的图像聚类方法、装置及介质
US12013840B2 (en) Dynamic discovery and correction of data quality issues
CN115412371B (zh) 基于物联网的大数据安全防护方法、系统及云平台
US20220300822A1 (en) Forgetting data samples from pretrained neural network models
CN117370473B (zh) 基于完整性攻击的数据处理方法、装置、设备及存储介质
CN110753913A (zh) 基于样本的多维数据克隆
US11182400B2 (en) Anomaly comparison across multiple assets and time-scales
CN117370472B (zh) 数据处理方法、装置、设备及存储介质
CN117370471B (zh) 基于修剪平均的全局预测方法、装置、设备及存储介质
CN109800775B (zh) 文件聚类方法、装置、设备及可读介质
US11763039B2 (en) Automatically determining storage system data breaches using machine learning techniques
US20230004750A1 (en) Abnormal log event detection and prediction
CN117473330B (zh) 一种数据处理方法、装置、设备及存储介质
US11586964B2 (en) Device component management using deep learning techniques
US20220207388A1 (en) Automatically generating conditional instructions for resolving predicted system issues using machine learning techniques
WO2022084791A1 (en) Determining influence of applications on system performance
CN117473331B (zh) 流数据处理方法、装置、设备及存储介质
US11568171B2 (en) Shuffling-type gradient method for training machine learning models with big data
US20240223615A1 (en) System and method for data set creation with crowd-based reinforcement
US11501114B2 (en) Generating model insights by progressive partitioning of log data across a set of performance indicators

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