【摘 要】
：
基于云计算平台的云存储系统为用户提供了海量、可弹性扩展、低成本和低能耗的远程存储服务,因此越来越多的人选择将自己的数据外包给云服务器,进而不受本地有限存储空间的约束。然而,用户一旦将数据存储到云服务器,将失去对数据的物理控制,存储在云服务器中的数据便面临着泄露、恶意删除和被篡改的风险。随着云存储安全的问题日益凸显,审计云数据完整性的持有性证明方案成为研究者们关注的重点,学术界提出了多种数据持有性证
论文部分内容阅读
基于云计算平台的云存储系统为用户提供了海量、可弹性扩展、低成本和低能耗的远程存储服务,因此越来越多的人选择将自己的数据外包给云服务器,进而不受本地有限存储空间的约束。然而,用户一旦将数据存储到云服务器,将失去对数据的物理控制,存储在云服务器中的数据便面临着泄露、恶意删除和被篡改的风险。随着云存储安全的问题日益凸显,审计云数据完整性的持有性证明方案成为研究者们关注的重点,学术界提出了多种数据持有性证明方案。但现有的方案存在两方面问题:一方面用户和云服务提供商发生冲突无法定性问题;另一方面多副本审计方案动态更新和审计效率低问题。为此,本文针对以上问题进行了相关研究,主要工作和贡献如下:（1）针对用户和云服务提供商发生冲突无法定性问题,提出了一个支持仲裁且激励的数据持有性证明方案。该方案用二次剩余定理实现了安全审计;引入智能合约作为公平的仲裁者,利用区块链作为自记录通道,为用户和云服务提供商之间的矛盾提供了可信证明,避免了纠纷,进而实现了无争议仲裁;利用幂函数设计了一套奖惩措施,约束了不可信的用户和云服务提供商的恶意行为。理论分析和实验结果表明,本方案具有较低的计算和通信开销。（2）针对如何提高多副本审计效率问题,提出了一个支持动态批量更新的数据持有性证明方案。方案引入区块链技术生成无法预测和无法否认的挑战信息,防止了恶意第三方审计者伪造审计结果;在多个副本之间共享一个动态结构,降低了计算和存储开销;利用卢卡斯序列对已损坏的数据块进行快速定位;允许批量验证多个用户的多个任意副本文件,节省了审计开销,减轻了第三方审计者的负担。理论分析和实验结果表明,本方案具有较低的计算和通信开销。
其他文献
图像聚类是机器学习和计算机视觉中一项关键而又具挑战性的任务。传统的聚类方法,如K-Means,谱聚类,凝聚聚类等已广泛应用于各类任务,并取得了不错的结果。但对图像等高维数据进行聚类时,由于很难抽取到可判别的视觉特征表示,往往无法得到满意的聚类结果。为了解决该问题,很多研究者提出使用不同的深度卷积网络学习图像数据的特征表示,并结合传统聚类算法,实现图像数据的深度聚类,且已取得了较好的结果。本文主要基
近些年,深度学习作为一种人工智能技术取得了前所未有的发展,在许多领域都取得了巨大的成功,展现出了强大的应用潜力。然而,最近的研究表明深度神经网络（Deep Neural Networks,DNNs）模型容易受到对抗样本的愚弄。所谓对抗样本是指那些通过精心添加一个不易察觉的扰动设计的对抗性样本,对抗样本可以愚弄一些最先进的DNNs模型,导致DNNs给出错误的分类结果,这阻碍了在现实世界中部署DNNs
在数据挖掘领域,分类问题一直都是研究的重点,而传统的分类器大多是针对平衡数据进行分类,无法对不平衡数据进行准确地分类。为了解决数据不平衡分类问题,人工少数类过采样法被提出,但由于是随机选取少数类样本的近邻样本进行生成新样本,容易导致少数类边界模糊的问题。为了弥补这一缺陷,基于引力的人工少数类过采样法（GSMOTE）被提出。首先,该方法结合原始支持向量机和K近邻方法对原始数据进行去噪,避免噪声样本生
近年来,语音情感识别的研究一直是一项具有挑战性的任务。语音情感识别的目的是从语音中提取情感特征,并将其分类为快乐、悲伤、愤怒或中性等情感。早期的语音情感识别的研究广泛依赖于使用音频特征来构建性能良好的分类器的模型。但人类在对话中不仅通过语音表达情感,还通过面部表情和身体动作来表达情感,而语音信息本质上是由声学特征和文本信息组成,因此文本信息中也包含情感特征。由于仅使用语音数据的情感识别模型的性能逐
随着科技的进步,我们已经进入了海量数据的时代,人们生活的方方面面都会产生海量数据,这些数据属于各种各样的类别,在现实生活中这些类别下的数据大多数都是非平衡的。例如病例诊断,天气气候分类,野外稀有物种的检测、垃圾短信检测等。如何有效准确地分类这些非平衡数据就变成如今一个非常热门的研究领域。绝大多数的分类算法在分类时会偏向多数类别的群体,而对少数类别分类效果不好,在一些极端情况下甚至会完全忽略少数类别
基于重构的异常检测方法是指使用重构误差作为异常得分的异常检测方法,在其训练阶段,训练集仅由正常数据构成,当训练数据较为充分时,它在该训练集上能够取得较小的重构误差。在测试阶段,正常数据的重构误差和异常数据的重构误差会出现较大的差异,因此可以利用重构误差将待测数据判定为正常数据或异常数据。作为常用的基于重构的异常检测方法,基于生成式对抗网络（generative adversarial nets,G
在计算机硬件性能提升的基础上,深度学习算法被广泛应用,人工智能技术不断有新的突破。其中图像和文本领域的技术创新尤为显著,主要体现在问答系统、目标检测、情感识别等研究方向上。本文主要研究的是计算机视觉与自然语言处理的交叉领域——视觉问答系统。视觉问答系统是多模态领域的一项热门研究问题,该系统的主要任务是分析与识别图像和文本两种模态下的表征数据,并对多个模态下的数据进行特征融合处理,以便获得相应问题的
目前,Top-N查询处理和优化的研究主要是针对Top-N选择查询,而Top-N连接查询相关研究仍然较少。传统Top-N查询处理方法通常未整合实体解析技术,对于包含重复元组的脏数据集,这些方法可能检索出重复的Top-N结果,难以得到足够多的有效元组,查询效率低下。此外,对于大型数据集,实时实体解析是一个具有挑战性的问题。因此,如何将实时实体解析与Top-N连接查询有效融合,是一个有待深入研究的重要课
鲁棒极限学习机因其较高的泛化能力和较快的学习速度。已经成为比较常用的机器学习工具之一,并在现实中的许多方面得到应用。然而,传统的鲁棒极限学习机还有不足之处:一、大多数鲁棒极限学习机以2L范数为损失函数。众所周知,2L范数对于异常值非常敏感,更容易受到极端异常值的影响,当数据中含有过多极端异常值时,大多数算法将崩溃。二、鲁棒极限学习机对于神经元数量非常敏感,当神经元数量过多时,可能会发生过拟合,导致
物联网技术的不断发展极大的改善了人们的生活质量,同时也带来了一些新的挑战。万物互联时代离不开数据的交互,访问控制被认为是实现数据安全交互的一种重要方式,然而现有的访问控制方案大多都是基于集中式服务器构建的,存在单点故障问题。区块链应用了多种技术实现了去中心化,被认为是一个很有前途的分布式解决方案,能够有效提高访问控制系统的可靠性。因此,本文对基于区块链的访问控制机制展开研究,主要工作如下:针对传统