深语域名适应卷积神经网络为基础的四次数分数顺序迈克斯纳时刻培养大数据分析方法,以增强云数据安全性
J Sulthan Alikhan1, S Miruna Joe Amali1, R Karthick1
1Department of Computer Science and Engineering, K.L.N College of Engineering, Sivaganga, Tamil nadu, India.
Network (Bristol, England)
|June 11, 2024
概括
一种新的大数据技术增强了云数据安全性,使用深语域适应卷积神经网络 (DSDA-CNN) 和四边形分数顺序混合时刻 (QFOMM) 进行加密. 与现有方法相比,这种方法显著提高了准确性,并减少了信息丢失.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 数据科学数据科学数据科学
背景情况:
- 云数据安全问题日益关注,原因是数据量不断增加和复杂的网络威胁.
- 现有的大数据分析技术往往难以为云环境提供强大的安全性.
- 需要先进的方法来保护云数据库中的敏感信息至关重要.
研究的目的:
- 提出一种新的大数据分析技术,以提高云数据安全性.
- 集成深语域适应卷积神经网络 (DSDA-CNN) 进行攻击检测和四边形分数顺序混合时刻 (QFOMM) 进行数据加密/解密.
- 评估拟议方法在改善安全指标和减少信息丢失方面的有效性.
主要方法:
- 一个六个阶段的方法:数据收集,传输,预处理,存储,分析和安全.
- 应用DSDA-CNN在数据分析阶段对云数据库攻击进行分类.
- 使用QFOMM来安全加密和解密云数据.
主要成果:
- 拟议的DSDA-CNN-QFOMM-BD-CDS方法显示精度提高了23.31%,15.64%和18.89%.
- 观察到信息丢失的显著减少,有36.69%,17.25%和19.96%的改善.
- 该技术在关键性能指标上优于现有的方法,如EESNN-FrDTM-BD-CDS和LZMA-DBSCAN-BD-CDS.
结论:
- DSDA-CNN-QFOMM-BD-CDS技术为增强云数据安全提供了一个强大的解决方案.
- DSDA-CNN和QFOMM的整合有效地解决了攻击检测和数据保护方面的挑战.
- 拟议的方法在云环境中保护大数据方面取得了重大进展.
