为了处理贝叶斯建模中的脏数据,通常会有2种解决方法。一种是对整个数据集进行清洗,但这种方法的代价很高,且对中型或大型的数据集可行性较低。另一种是使用点估计,这种点估计的方法虽然能有效减少清洗的代价,但是对训练出来贝叶斯模型的可信程度没有保证。针对上述清洗方法中存在的问题,本文提出了一种基于区间的贝叶斯统计建模方法,简称区间贝叶斯建模。区间贝叶斯建模结合中心极限定理,使用区间估计的方法,保证了真实的后验概率会以一定的概率落在后验概率区间内。实验结果表明,区间贝叶斯建模通过清洗少量的样本,便能够训练出良好的贝叶斯模型,有效改善了清洗成本,并在精度和召回率上比不清洗任何数据的情况有显著的提升。 随着可穿戴设备的应用越来越广泛,基于体域网医疗监测的数据隐私保护工作日益突出。基于信道特征的密钥提取,可以消除复杂的密钥分发过程和计算开销,但是现有的工作不能有效防止合谋攻击且量化后的密钥传输易受到合谋攻击。为此引入第三方可信机构Victor来对体域网通信双方Alice和Bob进行密钥的校验和分发,不仅可以防止合谋攻击,还承担了信息协调的工作,减少了一部分Alice和Bob的能源消耗信道特征的密钥提取-电动折弯机数控滚圆机滚弧机倒角机张家港倒角机管件滚圆机。本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 此外,利用矩形帧结构对量化后的密钥进行处理,便于对密钥运行S运算,从而保证了量化后的密钥传输的安全性,有效阻止了中间人的攻击。 上植入可穿戴传感器，以达到约束和检测Alice的目的。假设Alice和Victor都是符合研究的规定而存在的，Alice是前期预先设置好的，无法对其内部结构进行修改，当Alice想篡改数据时，就必须引入Eve参与到信息传输的进程中［6］，通过假冒Alice的方法向Bob传递信息。无线信道迅速解耦距离大约在半个波长内(在2．4GHz的频率下，λ/2=6．25cm)，对于距离比一个波长更远，信道可以被假定为独立的［7］。为此，研究中即引入了可信第三方Victor如图1所示，来监视Alice和Bob的信道特征，当Alice引入Eve在半波长内，介入Alice和Bob间会话时，Victor会发现信道特征的波动，由此可以实现Alice的身份信息的认证;并且Victor的存在可以避免Alice和Bob在众目睽睽下传播后，攻击者可以复制密钥指纹并声称与自己有联系，引起关于实际的数据卸载点的混淆。图1密钥提取方案F到达指定现场时，Alice广播一个A_Hello数据包给Bob;Bob收到信息后，同时发送B_Hello数据包给Alice，如此反复，当信息量达到足够的比特量，Alice和Bob就会对信道的特征获取足够的采样，再对采样数据进行抽样、量化，即可形成密钥。可信任的第三方Victor使用特定的传输功率P向Alice和Bob广播Hello信息H(t)，要求二者在ts后响应，将自己的密钥分享给Victor，在这里则需要保证Alice和Bob不知道互相的密钥指纹。Victor对双方的密钥进行比对，把修正后的密钥发送给Alice和Bob。当不匹配率超过15%时信道特征的密钥提取-电动折弯机数控滚圆机滚弧机倒角机张家港倒角机管件滚圆机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/