انتقال داده‌های گسسته شده عمیق بهینه شده هزینه در ابر براساس IoT صنعتی تولید شده توسط نیدهام (Needham) هش شده

یادگیری عمیق یک روش دلگرم‌کننده برای استخراج اطلاعات دقیق از داده‌های حسگر خام از دستگاه‌های IoT است. در این مقاله، روش یادگیری ماشینی عمیق بهینه (‏HNS – CODML)‏برای انتقال داده‌های IoT صنعتی امن از طریق محیط ابری با اشاره به ضرورت تامین امنیت صنعتی IoT با استفاده از تکنیک یادگیری ماشین ارائه شده‌است. اول، مکانیزم تولید کلید عمومی HNS (‏PKG)‏کلید عمومی و یک مقدار پرچم را محاسبه می‌کند، سپس با استفاده از کلید عمومی، زمان اجرا بهبود یافته‌است به طوری که تنها کاربران ابر تایید شده مجاز به تبادل داده‌ها / پیام‌ها از طریق کانال امن هستند و می‌توانند آموزش داده شوند؛ بنابراین با استفاده از دو مسیر می توان تابع هزینه را محاسبه کرد. در مرحله اول، تابع هزینه اندازه‌گیری شده‌است در حالی که در مرحله دوم، تابع هزینه کلی بدست می‌آید، بنابراین هزینه محاسباتی (‏CC)‏و سربار ارتباطات (‏CO)‏کاهش می‌یابد، که نظارت و کنترل کل فرآیند را بسیار آسان‌تر می‌کند.

Deep learning is an encouraging approach for extracting precise information from raw sensor data from IoT devices. In this paper, Hashed Needham Schroeder (HNS) Cost Optimized Deep Machine Learning (HNS-CODML) method for secure Industrial IoT data transmissions via cloud environment has been proposed by indicating the necessity of providing Industrial IoT security using machine learning technique. First, HNS Public Key Generation (PKG) mechanism computes the public key and a flag value, then using public key, the execution time has been improved as only authenticated cloud users (CU) are allowed to exchange the data/messages via secured channel and can be trained; thus the cost function can be computed using two passes. In the first pass, the cost function has been measured while in second pass, the overall cost function is obtained, therefore reducing the computational cost (CC) and communication overhead (CO), making the entire process much easier to monitor and control.