طبقه‌بندی محدوده خصوصی در محدوده خصوصی تفاضل محلی در مراکز داده‌ها

با افزایش ارائه دهندگان خدمات ابری و مجازی سازی پیوسته مراکز داده‌ها، شبکه‌های مرکز داده‌ها به سرعت در حال توسعه هستند. همانطور که مراکز داده‌ها پیچیده‌تر و پیچیده‌تر می‌شوند، تقاضا برای امنیت به طور چشمگیری افزایش می‌یابد. این مقاله به بحث در مورد محدوده خصوصی در مراکز داده می‌پردازد. با این حال، هیچ راه‌حل عمومی برای مساله محدوده خصوصی در مراکز داده‌ها به خاطر ناهمگنی ابزار وجود ندارد. در این مقاله، ما یک الگوریتم طبقه‌بندی مبتنی بر محدوده خصوصی را برای مراکز داده‌ها پیشنهاد کردیم. در داده کاوی مراکز داده، مکانیسم حفاظت از محدوده خصوصی تفاضلی برای مواجهه با نویز لاپلاس از اطلاعات حساس در فرآیند استخراج الگو اضافه شده‌است. ما روشی را برای کمی کردن کیفیت حفاظت از محدوده خصوصی از طریق اثبات دقیق ریاضی طراحی کردیم. آزمایش‌ها نشان دادند که الگوریتم طبقه‌بندی مبتنی بر محدوده خصوصی پیشنهادی در این مقاله کارایی تکرار بالاتری، امنیت بهتر و دقت عملی را دارد. در مقدمه حصول اطمینان از قابلیت دسترسی، این الگوریتم ویژگی‌های حفاظت از محدوده خصوصی و به موقع بودن عالی را دارد.

The main purpose of this paper is to examine some (potential) applications of quantum computation in AI and to review the interplay between quantum theory and AI. For the readers who are not familiar with quantum computation, a brief introduction to it is provided, and a famous but simple quantum algorithm is introduced so that they can appreciate the power of quantum computation. Also, a (quite personal) survey of quantum computation is presented in order to give the readers a (unbalanced) panorama of the field. The author hopes that this paper will be a useful map for AI researchers who are going to explore further and deeper connections between AI and quantum computation as well as quantum theory although some parts of the map are very rough and other parts are empty, and waiting for the readers to fill in.