基于时间档案的云计算不可靠数据恢复技术.docxVIP

基于时间档案的云计算不可靠数据恢复技术 0 基于相干函数无偏估计的不可靠数据恢复方法 随着云计算的发展，大量数据被生成，这是当前社会信息资源的一个非常重要的领域。然而云计算环境下, 一些数据由于木马病毒等原因, 变成不可靠数据 文献[8]以SQLite3文件格式为恢复依据, 提出了一种云计算环境下不可靠数据恢复方法。通过对SQLite3数据库的文件格式的分析, 分析不可靠数据记录的存储机制。通过识别SQLite3文件格式, 实现不可靠数据页中的自由块和未使用空间进行寻找和收集, 从而完成不可靠数据恢复方法。但这种方法仅适用于SQLite3文件格式, 使用范围受到限制, 难以推广使用。文献[9]提出一种基于相干函数无偏估计的不可靠数据恢复技术。首先对云计算环境下不可靠数据结构模型进行构建, 针对需要进行数据恢复的不可靠数据结构进行特征分解和信息模型构建, 采用相干函数特征分解算法对待恢复的不可靠数据进行筛分和残差滤除, 最后采用相干函数无偏估计算法提高不可靠数据恢复的准确度, 这种方法对对数据进行恢复时, 花费时间较长。文献[10]提出一种基于模式识别的云环境下不可靠数据恢复方法。通过对不可靠数据进行特征量提取, 并与预先设置的时序相对变化量变化趋势矩阵和时序数值矩阵进行模式匹配, 实现不可靠数据的实时辨识, 并使用错误出现最近时刻的正常数据进行数据快速恢复。 针对传统方法存在的不足, 本文提出一种基于张量Tucker阈值的云计算环境下不可靠数据恢复方法, 首先, 利用节点自身的随机秘钥生成器生成随机会话密钥, 并完成不可靠数据HMAC报文鉴别码计算, 从而实现不可靠数据的保护和重构。采用阈值分解过程与奇异值阈值方法相结合, 实现对不可靠数据的Tucker阈值算子的计算, 实现不可靠数据恢复过程中动态地选择n-秩相似张量, 在此基础上, 以基于增广拉格朗日乘子方法为依据, 结合得到的算子, 实现基于张量Tucker阈值的云计算环境下不可靠数据恢复。实验证明, 本文所提方法是一种准确度较高、可行性较强的方法, 提高不可靠数据恢复效率, 为该课题的应用研究提供理论依据。 1 云计算环境下不可靠数据的统计分析 在云计算环境下, 不可靠数据对象之间的相关性可以表示成以下几种: 1) 在云计算环境中, 与不可靠数据对象相关联的对象一直在一起。 2) 与不可靠数据相关联的数据对象在开始几个连续窗口中在一起, 然后, 它们分离, 不在一起。 3) 与不可靠数据相关联的数据对象在连续窗口中, 有时在一起, 有时分离。 设在云计算环境中当前数据窗口的前一窗口[t-2 w+1, t-w]中, 项集X={T 式中, exp_sup (X, Wc) 表示在但钱数据窗口Wc项集X的期望支持度, f表示该窗口的衰减因子。设定T 设η表示云计算环境下不可靠数据的不关联阈值, φ 设定一个窗口Wc中, T 在云计算窗口W[m, n]内, 以不可靠数据T 在云计算窗口W[m, n]内, 将由N个不可靠数据标签的概率运动轨迹汇集组成的集合称为不可靠数据概率运动轨迹集, 表示为MS={M 分别用M 在不可靠数据流中, 不可靠数据T 多远统计分析方法是以数据对象所具有的多个观测指标规律为基础进行分析统计, 从而发现数据对象指标存在的相互关联。由于云计算环境下不可靠数据对象存在多方面关联信息, 为多元统计创造了条件。 利用多元统计的判别方法对计算环境下不可靠数据进行恢复, 主要技术有两点: 1) 确定数据恢复的指标, 即预报因子; 2) 各项指标在恢复过程中的权重 设定一个数据窗口Wc, 标签T 式中, φ 根据上式, 得到基于多元统计的判别方法判定规则: 在D (T 通过上述论述, 基于距离的云计算环境下不可靠数据恢复方法的具体步骤:对不可靠数据进行频繁模式挖掘, 从而确定不可靠数据的最大关联标签以及最相似轨迹标签。 利用公式 (5) 对不可靠数据对应的欧氏距离进行计算, 并利用公式 (6) 实现对不可靠数据的后验概率进行计算, 并对后验概率表进行更新, 从而确定不可靠数据标签之间的关联度。 2 基于张量tuck阈值的不可靠数据恢复方法 2.1 生成随机密钥 为实现数据保护, 云计算环境中感知节点v 首先利用云计算环境下节点自身的随机秘钥生成器产生随机会话密钥K 然后使用节点密钥K 最后使用最开始生成的随机密钥对不可靠数据和鉴别码的联合信息进行对称加密, 生成密文, 保护数据的机密性。 2.2 基于张量分解的张量恢复算子 为了便于计算和保证不可靠数据回复的精度, 引入不可靠数据特征的初始值与不可靠数据张量相等的辅助张量M, 满足辅助张量初始值与张量X相等, 从而在对不可靠数据恢复进行恢复计算过程中, 尽可能保留不可靠数据张量迭代的多样性, 从而提高云计算环境下不可靠