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.

With the rise of cloud service providers and the continuous virtualization of data centers, data center networks are also developing rapidly. As data centers become more and more complex, the demand for security increases dramatically. This paper discusses the privacy inherent in data centers. However, there is no general solution to the privacy problem in data centers due to the device heterogeneity. In this paper, we proposed a local differential privacy-based classification algorithm for data centers. In data mining of data centers, the differential privacy protection mechanism is added to deal with Laplace noise of sensitive information in the pattern mining process. We designed a method to quantify the quality of privacy protection through strict mathematical proof. Experiments demonstrated that the differential privacy-based classification algorithm proposed in this paper has higher iteration efficiency, better security and feasible accuracy. On the premise of ensuring availabili