ارسل ملاحظاتك

ارسل ملاحظاتك لنا







A Privacy Preserving Analytics for Internet of Things Data Using Generative Adversarial Networks "GANS"

المؤلف الرئيسي: Shariah, Majd Ahmad (Author)
مؤلفين آخرين: Malkawi, Rami (Advisor) , AlEroud, Ahmed (Advisor)
التاريخ الميلادي: 2020
موقع: إربد
الصفحات: 1 - 79
رقم MD: 1189826
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: جامعة اليرموك
الكلية: كلية تكنولوجيا المعلومات وعلوم الحاسوب
الدولة: الاردن
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

30

حفظ في:
LEADER 03888nam a22003377a 4500
001 1536843
041 |a eng 
100 |9 636882  |a Shariah, Majd Ahmad   |e Author 
245 |a A Privacy Preserving Analytics for Internet of Things Data Using Generative Adversarial Networks "GANS" 
260 |a إربد  |c 2020 
300 |a 1 - 79 
336 |a رسائل جامعية 
502 |b رسالة ماجستير  |c جامعة اليرموك  |f كلية تكنولوجيا المعلومات وعلوم الحاسوب  |g الاردن  |o 0113 
520 |a يعد إنترنت الأشياء (IoT) في الوقت الحاضر واحد من المجالات الواسعة الانتشار التي تسمح بجمع البيانات ومشاركتها، وهي تدخل بسرعة في العديد من جوانب حياتنا اليومية. حيث يتزايد عدد الأجهزة المتصلة ببيئة إنترنت الأشياء. تبدأ أجهزة إنترنت الأشياء في تسجيل كل حركة في حياتنا اليومية، وفي الوقت نفسه، تصبح مشكلات انتهاكات الخصوصية ذات الصلة واقعية. هذا يعني أن هناك خطرا كبيرا يتطور في إنشاء البيانات وتخزينها ونقلها عبر كائنات إنترنت الأشياء. لذلك، اقترحت الدراسات عدة طرق للحفاظ على الخصوصية تهدف إلى توفير مستوى متقدم من الدقة. ومع ذلك، فإن بيانات إنترنت الأشياء تنمو بشكل كبير مما يؤدي إلى انخفاض كفاءة أداء مثل هذه الأساليب الحالية. إلى هذه النقطة، اقترحت هذه الدراسة نموذجا توليدي يعتمد على شبكة الخصومة التوليدية (GAN) جنبا إلى جنب مع أداء تعلم آلي مختلف خاضع للإشراف مثل Random Forest (RF) وSupport Vector Machine (SVM) وK-Nearest Neighbor (KNN). تم قياس أداء النموذج المقترح من خلال عدة معايير مثل دقة التصنيف والدقة والاسترجاع والمنطقة الواقعة تحت المنحنى (AUC) وF-score نتيجة لذلك، أظهر النموذج المقترح أداء رائعا من حيث الدقة. حيث كانت أعلى درجات الدقة التي حصلت عليها KNN %100 و99%، وSVM كانت 100% و98%، وRF كانت 100% و99%، لمجموعات البيانات الأصلية والمولدة على التوالي. علاوة على ذلك، تم توفير نتائج الخصوصية لـ 152 مجموعة بيانات مختلفة، وكانت أفضل نتيجة خصوصية تم الحصول عليها 1.13 في 80 حقبة. من ناحية أخرى، يمكن استخدام النموذج المقترح لأغراض خصوصية إنترنت الأشياء. 
653 |a التقنيات الحديثة  |a الشبكات العنكبوتية  |a الشبكة التوليدية  |a الخصوصية التفاضلية 
700 |9 636883  |a Malkawi, Rami  |e Advisor 
700 |9 604365  |a AlEroud, Ahmed  |e Advisor 
856 |u 9802-003-012-0113-T.pdf  |y صفحة العنوان 
856 |u 9802-003-012-0113-A.pdf  |y المستخلص 
856 |u 9802-003-012-0113-C.pdf  |y قائمة المحتويات 
856 |u 9802-003-012-0113-F.pdf  |y 24 صفحة الأولى 
856 |u 9802-003-012-0113-1.pdf  |y 1 الفصل 
856 |u 9802-003-012-0113-2.pdf  |y 2 الفصل 
856 |u 9802-003-012-0113-3.pdf  |y 3 الفصل 
856 |u 9802-003-012-0113-4.pdf  |y 4 الفصل 
856 |u 9802-003-012-0113-5.pdf  |y 5 الفصل 
856 |u 9802-003-012-0113-R.pdf  |y المصادر والمراجع 
856 |u 9802-003-012-0113-S.pdf  |y الملاحق 
930 |d y 
995 |a Dissertations 
999 |c 1189826  |d 1189826 

عناصر مشابهة