一种基于加密边缘计算的工业物联网隐私保护方法

本发明涉及一种基于加密边缘计算的工业物联网隐私保护方法，属于工业物联网安全与隐私保护。

背景技术：

1、工业物联网(industrial internet of things，简称iiot)是指通过物联网技术将传感器、设备和系统连接起来，实现工业生产和运营的智能化和自动化。大数据在质量控制领域的应用已经取得了显著的成果，然而，随着工业物联网的迅速发展，安全和隐私保护问题也日益凸显。在现有技术中，存在着工业物联网数据的泄露、篡改和未经授权访问的风险。这些安全威胁可能导致生产过程中的故障、数据的不准确性和质量问题，甚至可能对工业系统的稳定性和可靠性造成严重影响。

2、目前在工业物联网数据的传输过程中存在一些缺陷和风险，首先，现有技术中存在着工业物联网数据的泄露风险。由于工业物联网中涉及到大量的敏感数据，如生产工艺参数、设备状态等，这些数据一旦泄露给未经授权的人员或外部攻击者，将可能导致重大的安全风险和商业损失。其次，工业物联网数据的篡改风险。在工业生产过程中，数据的准确性至关重要，而数据传输和存储过程中未能提供足够的保护机制，使得数据容易被篡改，从而导致生产过程中的故障和质量问题。此外，还存在着未经授权访问工业物联网数据的风险，工业物联网中的设备和系统通常连接在开放网络中，这使得攻击者有可能通过非法手段获取工业物联网数据，从而对工业系统的稳定性和可靠性造成严重影响。

3、综上，在工业物联网安全和隐私保护方面存在诸多问题，而这些问题正是本发明所要解决的核心。

技术实现思路

1、在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

2、鉴于此，为解决现有技术中存在工业物联网数据的安全性差、完整性和可靠性低的技术问题，本发明提供一种基于加密边缘计算的工业物联网隐私保护方法。

3、方案一、一种基于加密边缘计算的工业物联网隐私保护方法，包括以下步骤：

4、s1.获取工业物联网系统数据；

5、s2.对工业物联网系统数据进行加密处理；

6、s3.将加密后的工业物联网系统数据传输到边缘节点；

7、s4.基于机器学习的混淆式脱敏算法对边缘节点收到工业物联网系统数据后进行隐私脱敏后进行解密，获得工业物联网系统数据数据。

8、优选的，工业物联网系统数据以数据点集合形式进行表征：数据点集合，记为d＝d1，d2，...，dn，其中，n表示数据点的总数，数据点总数由收集数据的时间长度及传感器的数量和类型所决定的；每个数据点di是一个多维向量，表征在特定时间点上不同传感器的测量值，设di＝(x1，x2，...，xm)，di是第i个数据点，其中m是数据的维度或特征数，每个xj表示第j个传感器的测量值。

9、优选的，对工业物联网系统数据进行加密处理包括对称加密和非对称加密，对称加密和非对称加密的方法是：

10、对称加密：加密函数e表示为ei＝e(di，k)，其中，ei表示加密后的数据，k表示加密密钥；

11、非对称加密：加密函数e表示为ei＝e(di，kpub)，其中，ei表示加密后的数据，kpub表示公钥。

12、优选的，将加密后的工业物联网系统数据传输到边缘节点的方法是：数据传输用数据流图进行数学表示，设g＝(v，e)是一个有向图，其中，v表示节点的集合，e表示边的集合；有向图中的每个节点表示数据传输过程中涉及的边缘设备或组件，边表示节点之间的数据流动，设v＝{v1，v2，...，vk}是节点的集合，其中，k是数据流图中节点的总数；设e＝{(vi，vj)}，表示节点vi和vj之间数据流动的边的集合；

13、数据传输过程将传感器收集到的数据从传感器传输到边缘节点，使用函数t(di，vj)进行数学表示，其中，di表示传感器收集到的数据点，vj表示数据传输的目标边缘节点；函数t：d×v→e表示数据传输函数，其中，t(di，vj)＝(vi，vj)表示将数据点di从传感器节点vj传输到边缘节点vj。

14、优选的，基于机器学习的混淆式脱敏算法对边缘节点收到工业物联网系统数据后进行隐私脱敏后进行解密，获得工业物联网系统数据数据的方法是：

15、s41.设置初值：为混淆方法和混淆级别设置一个初值，设混淆方法的初始集合为m＝m1，m2，...，mk，混淆级别的初始值为l＝l1，l2，...，lk；

16、s42.构建机器学习模型：将支持向量机作为机器学习模型；设混淆方法和混淆级别经过映射后的形式分别为φ(m)和ψ(l)，将φ(m)和ψ(l)作为支持向量机的输入，混淆效果y作为输出，设模型为f，模型表示为y＝f(φ(m)，ψ(l))，在支持向量机中，模型f具体表示为f(φ(m)，ψ(l))＝wt*φ(m，l)+b，其中，w表示模型的权重，φ(m，l)表示混淆方法和混淆级别的特征映射，b表示偏置项，wt表示转置，在训练过程中，目标是最小化损失函数min(w，b)＝1/2*||w||2+c*∑ξi，其中，||w||2表示模型复杂度，c表示惩罚参数，ξi表示第i个样本的误差；

17、s43.训练模型得到优化后的模型f′，在这个过程中，将加密后的工业物联网系统数据作为训练样本，用于构建svm模型和优化混淆方法和混淆级别，支持向量机使用训练样本学习特征和模式，并根据输入的混淆方法和混淆级别预测混淆效果，通过优化模型参数，得到最优的混淆方法和混淆级别；根据优化后的模型f′，通过分析模型的权重和特征映射得到最优的混淆方法和混淆级别，设最优的混淆方法和混淆级别为m′＝m′1，m′2，...，m′k，l′＝l′1，l′2，...，l′k；

18、s44.脱敏数据输出：当涉及到数据脱敏时，脱敏函数m根据最优的混淆方法m′和混淆级别l′实现不同程度的敏感信息的剔除或替换，在完成脱敏处理后，设输出的脱敏数据集为m＝m1，m2，...，mn，其中n是数据点的总数，每个mi表示脱敏后的数据。

19、方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种基于加密边缘计算的工业物联网隐私保护方法的步骤。

20、方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种基于加密边缘计算的工业物联网隐私保护方法。

21、本发明的有益效果如下：本发明保障数据安全：通过加密边缘计算，工业物联网系统中的数据可以得到有效的保护，防止数据被未经授权的访问和窃取；本发明保护用户隐私：加密边缘计算可以帮助工业物联网系统保护用户的隐私信息。通过对敏感数据进行加密处理，可以避免敏感信息泄露的风险，确保用户的隐私得到有效的保护；本发明提升数据安全性：工业物联网系统中的数据往往具有重要的商业价值，包括设备状态、工艺参数等。加密边缘计算可以提高数据的安全性，防止数据遭到篡改或伪造，确保数据的完整性和可靠性。总之，加密边缘计算在工业互联网中能够提供数据安全和隐私保护，解决数据安全性差、完整性和可靠性低等技术问题，从而提升整个工业物联网系统的安全性和可信度。