Resumen

Con el fin de aumentar el entusiasmo del proveedor de datos en el proceso de interacción de datos y mejorar la adecuación de la interacción de datos, presentamos el concepto del ego de datos y, a continuación, analizamos las características del ego de datos en el Internet de las cosas (IOT) en este documento. Implementamos dos pasos de agrupación de datos para el Internet de las cosas; el primer paso es la localización espacial de agrupación difusa adyacente, y el segundo paso es la agrupación difusa de tiempo de muestreo. Se pueden obtener clases equivalentes a través de los dos pasos. De este modo, podemos hacer que los datos con características de disposición se clasifiquen en diferentes clases equivalentes, de modo que la información de ubicación específica de los datos se pueda ocultar, se eliminen las características de disposición de las etiquetas y, en última instancia, se consiga la protección del anonimato. Los resultados experimentales muestran que el algoritmo propuesto puede mejorar en gran medida la eficacia de la protección de los datos en la interacción con otros de forma incompletamente abierta, sin reducir la calidad de la anonimización ni aumentar la pérdida de información. El conjunto de datos de anonimización generado por este método tiene una mejor disponibilidad de datos, y este algoritmo puede mejorar eficazmente la seguridad del intercambio de datos.

• Materias:Ingeniería electrónica Redes Inalámbricas Ingeniería Eléctrica Procesamiento de señales asistido por computador Sistemas de comunicación Informática
• Subjects:Electronic engineering Wireless Networks Electrical Engineering Signal processing computer-assisted Communication systems Computing
• Palabras claves:datos, interacción de datos, características de disposición, agrupación difusa adyacente, conjunto de datos de anonimización, mejor disponibilidad de datos, diferentes clases equivalentes, información de ubicación específica, internet, algoritmo
• Keywords:data, data interaction, layout characteristics, adjacent fuzzy clustering, anonymization data set, better data availability, different equivalent classes, specific location information, internet, algorithm