دانلود ترجمه مقاله الگوریتم خوشه بندی بیزی غیرپارامتری کلان داده خصوصی تفاضلی در شبکه هوشمند

1. مقدمه 2. پیشینه تحقیق 3. اصول اولیه 4. مدل ها و اهداف 5. توضیح طرح پیشنهادی 6. تحلیل امنیت 7. ارزیابی عملکرد 8. نتیجه گیری

چکیده – سیستم های هوشمند، شامل شبکه هوشمند (SG) و اینترنت اشیاء (IoT)، نقشی اساسی در رفع مسائل امروزی ایفا می کنند. بهره گیری کامل از کلان داده های تولید شده توسط شبکه هوشمند، می تواند پایداری و قابلیت اطمینان سیستم را بهبود بخشد، بهره برداری از منابع را افزایش دهد و تجربه مشتری بهتری ارائه دهد. برای پشتیبانی بهتر از شبکه هوشمند داده محور، روش های یادگیری ماشین مانند تحلیل خوشه را می توان برای پردازش کلان داده های تولید شده در شبکه هوشمند، بکار گرفت. با این حال، فرایند تحلیل خوشه ممکن است باعث افشای اطلاعات خصوصی شخصی شود. در این مقاله، برای دستیابی به تحلیل خوشه حفظ کننده حریم خصوصی در شبکه هوشمند، IDPC (الگوریتم خوشه بندی خصوصی تفاضلی بر اساس مدل مخلوط گاوسی نامتناهی (IGMM) را پیشنهاد می کنیم. IDPC از ترکیبی از روش بیزی غیرپارامتری و محرمانگی تفاضلی استفاده می کند. روش بیزی غیرپارامتری، امکان تغییر پارامترهای معین همراه با داده ها را فراهم می کند و معمولاً در یک الگوریتم خوشه بندی بدون تعداد ثابت خوشه ها بکار گرفته می شود. مکانیزم لاپلاس در فرایند آزاد سازی داده ها استفاده می شود تا IDPC به صورت تفاضلی خصوصی شود. در اینجا، نحوه خصوصی کردن تفاضلی الگوریتم خوشه بندی بیزی غیرپارامتری را با افزودن نویز لاپلاس، ارائه می دهیم. با تحلیل امنیت و ارزیابی عملکرد، IDPC ثابت کرده است که حریم خصوصی را حفظ می کند و همچنین کارآمد می باشد.

Smart systems, including smart grid (SG) and Internet of Things (IoT), have been playing a critical role in addressing contemporary issues. Taking full advantage of the big data generated by the smart grid can enhance the system stability and reliability, increase asset utilization, and offer better customer experience. To better support the data-driven smart grid, the machine learning technologies such as cluster analysis can be applied to process the massive data generated in smart grid. However, the process of cluster analysis may cause the disclosure of personal private information. In this paper, to achieve privacy-preserving cluster analysis in smart grid, we propose IDPC, a Differentially Private Clustering algorithm based on the Infinite Gaussian mixture model (IGMM). IDPC uses a combination of nonparametric Bayesian method and differential privacy. The nonparametric Bayesian method allows certain parameters to change along with the data and it is usually adopted in a clustering algorithm without a fixed number of clusters. The Laplace mechanism is used in data releasing process to make IDPC differentially private. We present how to make the nonparametric Bayesian clustering algorithm differentially private by adding Laplace noise. By security analysis and performance evaluation, IDPC is proved to be privacy-preserving as well as efficient.