发明名称 |
应对智能家居环境中旁路攻击的隐私保护方法及系统 |
摘要 |
本发明公开了应对智能家居环境中旁路攻击的隐私保护方法及系统,对智能家居环境中传感器类型和传感器发送时间进行排序、聚类,得到DFR参数;通过DFR参数对噪音数据进行标签,调用半监督学算法得到学参数,将学参数分发给所有传感器节点;传感器节点将学参数代入预测函数中构建预测模型,将当前网络状态信息输入到预测模型中,判断是否发送噪音数据。本发明基于智能数据分析和半监督学,能够根据智能家居环境中的人们的行为惯和传感器网络状态自适应的添加噪声数据,使得全局攻击者即便能够监听所有无线射频信号,也无法分析出用户的真实行为,或者分析出错误的行为,从而达到保护用户隐私的目的。 |
申请公布号 |
CN106209457A |
申请公布日期 |
2016.12.07 |
申请号 |
CN201610556753.X |
申请日期 |
2016.07.14 |
申请人 |
北京工业大学 |
发明人 |
何泾沙;肖起;常成月;张亚君;方静 |
分类号 |
H04L12/24(2006.01)I;H04L12/28(2006.01)I;H04L9/00(2006.01)I |
主分类号 |
H04L12/24(2006.01)I |
代理机构 |
北京汇信合知识产权代理有限公司 11335 |
代理人 |
王秀丽 |
主权项 |
一种应对智能家居环境中旁路攻击的隐私保护方法,其特征在于,包括:步骤1、传感器节点获取智能家居的采样数据、噪音数据和当前网络状态信息,所述采样数据包括传感器类型和传感器发送时间;步骤2、对传感器类型和传感器发送时间进行排序,对每个类型的传感器在单位时间内的发送频率进行聚类,计算每个聚类类别的平均发送频率,得到DFR参数;步骤3、通过DFR参数对噪音数据进行标签,调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数,将所述学习参数分发给所有传感器节点;所述半监督学习算法包括预测函数,整体开销函数和梯度下降算法;步骤4、传感器节点将学习参数代入所述预测函数中构建预测模型,将步骤1所述的当前网络状态信息输入到所述预测模型中,判断是否发送所述噪音数据。 |
地址 |
100124 北京市朝阳区平乐园100号 |