An intelligent atrous convolution-based cascaded deep learning framework for enhanced privacy preservation performance in edge computing
Kenar bilişiminde geliştirilmiş gizlilik koruma performansı için akıllı atrous konvolüsyon tabanlı derin öğrenme çerçevesi
- Tez No: 968695
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Nesnelerin İnterneti'nin (IoT) gelişmesiyle birlikte, IoT ortamında önemli bir rol oynadığı için uç bilişime olan ihtiyaç giderek daha da arttı. Yapay zeka teknolojisindeki ani yükseliş nedeniyle uç cihazlar tarafından her gün daha fazla veri oluşturuldukça, geleneksel bulut tabanlı veri işleme gerekli sonuçları sağlamaz. Bu nedenle, daha yakın ve daha hızlı hizmetler için uç bilişim adı verilen, herhangi bir iletişim gecikmesi olmayan ve bant genişliği için hiçbir sınırı olmayan bir sistem tanıtıldı. Uç bilişim senaryosundaki en büyük endişe gizlilik riskleridir. Geleneksel uç bilişim ağlarındaki yanlışlık ve hesaplama yükü daha fazla olduğundan, gerekli güvenliği ve gizliliği korumayı sağlayamaz. Bu araştırmanın temel amacı, yukarıda açıklanan güvenlik ve gizlilik sorununu ele alarak hem kullanıcılar hem de bulut platformları için uygun bir veri gizliliği koruma mekanizması geliştirmektir. Önerilen çerçeve durumunda test verileri, veri analizi için bulutta çalıştırılan bir sistem içinde işleme izin vermek için kullanıcı tarafından sağlanır. Bulutta tutulan geçmiş veya mevcut veriler, sistem tarafından iyi bir tahmin modeli eğitmek için kullanılır. Tasarım, sistemi iki hesaplama alanına ayırır: güvenilir uç ve güvenilmeyen bulut. Bu bölmelendirme iki seviyeli gizlilik koruması sağlar. Güvenilir uçta, düz metin hesaplaması açıkta gerçekleştirilir. Ancak güvenilmeyen bulut yalnızca şifrelenmiş bilgileri görür ve bu da güvenli olmayan bulut hesaplama tehditlerine karşı koruma sağlar. Model eğitimi için eğitim verileri, güvenli ve güvenilir olan uç cihazlar tarafından toplanır. Toplanan veriler, güvenli ve yerel veri analizi sağlamak için güvenilir uçta yürütülen Atrous Convolution-based Cascaded Deep Temporal Convolution Network (ACC-DTCN) adlı karmaşık bir derin öğrenme modeline girdi olarak kullanılır. Güvenilmeyen bulut tarafındaki gizli test verilerinin korunması için, Optimal Hybrid Encryption Model (OHEM) adı verilen bir hibrit şifreleme modeli kullanılır. Model, gizlilik veya kullanılabilirlikten ödün vermeden bulutta güvenli veri işlemenin gerçekleştirilebileceği Nitelik Tabanlı Şifreleme (ABE) ve Homomorfik Şifreleme (HE) mekanizmalarının hibritlenmesinden türetilmiştir. Şifrelemelerin hibritlenmesi, hesaplamaya erişimi ve şifrelenmiş veriler üzerinde ayrıntılı kontrolü kolaylaştırır ve böylece sistemin tüm güvenlik mekanizmasını geliştirir. Bu OHEM şeması test verilerini şifreler. OHEM modelinin parametreleri, Geliştirilmiş Uğur Böceği Optimizasyon Algoritması (ELBOA) adlı yeni bir metasezgisel yöntem kullanılarak ayarlanır. Bulut tarafında, veriler şifreli biçimde hesaplandığında, eğitim ve test setleri arasındaki güven puanı vektörünün bir tahminini elde etmek için ACC-DTCN modeli (Atrous Convolution-based Cascaded Deep Temporal Convolution Network) kullanılır. Şifreli girdilerin güvenli bir şekilde işlenmesiyle, bu model hem yüksek tahmin doğruluğu hem de girişim saldırısı bağışıklığını bünyesinde barındırır. Yoğun testlerde geleneksel yöntemlerle yapılan karşılaştırmalı deneyler, tanıtılan gizliliği koruyan çerçevenin günümüzün uç bulut ortamlarındaki üstünlüğünü ve sağlamlığını doğrular.
Özet (Çeviri)
With the development of the Internet of Things (IoT), the need for edge computing has become increasingly more as it plays an essential part in the IoT environment. As more data are created every day by end devices because of the sudden rise in artificial intelligence technology, conventional cloud-based data processing does not provide the required outcomes. Hence, a system without any communication delays and with no limits for bandwidth, called edge computing, has been introduced for nearer and faster services. The major concern in the edge computing scenario is its privacy risks. As the inaccuracy and computational overhead in traditional edge computing networks are more, it is unable to provide the necessary security and privacy preservation. The primary goal of this research is to develop an appropriate data privacy-preservation mechanism for both users and the cloud platforms, addressing the security and confidentiality problem described above. Test data in the case of the proposed framework is supplied by the user to allow processing within a system that is run on a cloud for data analysis. Historical or existing data that has been kept in the cloud is used by the system to train a good prediction model. The design compartmentalizes the system into two computational realms: the trusted edge and the untrusted cloud. This compartmentalization enables two-level privacy protection. On the trusted edge, plaintext computation is performed in the open. The untrusted cloud, however, sees only encrypted information, which protects against insecure cloud computation threats. The training data for model training are collected by edge devices, which are secure and trusted. The collected data are used as inputs to a complicated deep learning model named Atrous Convolution-based Cascaded Deep Temporal Convolution Network (ACC-DTCN) executed on the trusted edge for providing safe and local data analysis. For protection of confidential test data in untrusted cloud side, a hybrid encryption model called the Optimal Hybrid Encryption Model (OHEM) is used. The model is derived from the hybridization of Attribute-Based Encryption (ABE) and Homomorphic Encryption (HE) mechanisms under which securely data processing in cloud can be performed without compromising privacy or usability. Hybridization of the encryptions facilitates access to computation and fine-grained control on encrypted data, thus enhancing the entire security mechanism of the system. This OHEM scheme encrypts the test data. The parameters of the OHEM model are adjusted using a new metaheuristic method named Enhanced Ladybug Beetle Optimization Algorithm (ELBOA). In the cloud side, whenever data is computed in encrypted form, the ACC-DTCN model (Atrous Convolution-based Cascaded Deep Temporal Convolution Network) is employed in order to obtain an estimation of the confidence score vector between training and test sets. Through secure processing of encrypted inputs, this model embodies both high predictive accuracy and interference attack immunity. Comparative experiments with traditional methods in intensive tests verify the superiority and robustness of the introduced privacy-preserving framework in today's edge-cloud environments.
Benzer Tezler
- Sismik veriler ile derin öğrenme kullanarak rezerv tahmini
Reserve estimation using deep learning with seismic data
BETÜL AĞAOĞLU
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İMAN ASKERBEYLİ
- An intelligent system for ranking e-commerce customer reviews to boost engagement
Müşteri etkileşimini artırmak için e-ticaret müşteri yorumlarını sıralayan akıllı sistem
ERTUĞRUL YÜCEL
Yüksek Lisans
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA KAYA
- An intelligent agent application for buyers in electronic commerce
Elektronik ticaret alıcıları için akıllı bir ajan uygulaması
FERKAN KAPLANSEREN
Doktora
İngilizce
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TATYANA YAKHNO
- An intelligent bim-based automated progress monitoring system using self-navigating robots for data acquisition
Veri toplamak için otonom yöngüdümlü robot kullanan yapı bilgi modellemesi tabanlı akıllı bir otomatik ilerleme takip sistemi
MUHAMMAD USMAN HASSAN
Doktora
İngilizce
2018
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ASLI AKÇAMETE GÜNGÖR
- An intelligent fuzzy clustering approach for energy-efficient data aggregation in wireless sensor networks
Kablosuz duyarga şebekelerde enerji-verimli veri toplama için akıllı bulanık kümeleme yaklaşımı
SEYYİT ALPER SERT
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN YAZICI