移动云环境下的可信计算理论

　　《移动云环境下的可信计算理论》从全新的角度研究了移动云计算的可信计算理论和方法。在云环境下，通过用户、环境、服务三个维度所涉及的服务资源之间的协作与配合，实现彼此之间的互相映射与协调（或约束），在保证用户身份和用户操作可靠与安全的前提下，依据用户的个性化服务需求和能耗情况，智能决策服务提供模式，快速映射或动态调配服务资源，保障向用户提供满足需求的连续云服务，包括用户可信、环境可信、服务可信三个层面。以移动微学习为例，通过对上述内容的分析和应用，使学习资源得到有效的组织和合理的配置，在保证学习者所请求云服务质量的同时，降低云服务提供所产生的能源消耗，实现“合法用户可使用较低能耗获取连续的学习服务”。

暂缺《移动云环境下的可信计算理论》作者简介

目录
前言
第1章 绪论 1
1.1 移动云计算概述 1
1.1.1 移动云计算的概念 1
1.1.2 移动云计算的模式类型 2
1.1.3 移动云计算的发展 3
1.1.4 移动云计算的挑战 5
1.2 可信计算概述 5
1.2.1 可信计算的起源 5
1.2.2 可信计算的发展 6
1.2.3 可信计算的应用 6
1.3 移动云环境下的可信问题 8
1.4 本章小结 10
参考文献 10
第2章 基于自适应编码的用户正常行为模式挖掘方法 14
2.1 引言 14
2.2 相关理论 15
2.2.1 遗传算法 15
2.2.2 自律计算 18
2.3 用户时序行为的用户-时序-操作形式化描述 20
2.3.1 用户时序行为结构化定义 20
2.3.2 用户时序行为序列编码结构 22
2.4 用户正常行为模式挖掘过程 23
2.4.1 选择 23
2.4.2 交叉 25
2.4.3 变异 26
2.4.4 算法伪代码 27
2.5 仿真实验及结果分析 28
2.5.1 仿真环境 28
2.5.2 仿真结果 28
2.6 本章小结 30
参考文献 30
第3章 基于神经网络聚类的用户异常行为分析方法 32
3.1 引言 32
3.2 用户异常行为分析的系统模型 32
3.2.1 SVD模型 32
3.2.2 SVD并行处理模型 33
3.2.3 SVD降噪模型 33
3.2.4 BP神经网络模型 33
3.3 异常行为分析机制 34
3.3.1 SVD并行分解模型 34
3.3.2 SVD降噪模型 35
3.3.3 基于信息熵的BP神经网络模型 35
3.3.4 聚类模型 36
3.4 仿真结果与分析 38
3.4.1 实验环境 38
3.4.2 评价指标 39
3.4.3 实验过程 39
3.4.4 仿真结果 41
3.5 本章小结 44
参考文献 44
第4章 一种基于信誉投票的用户异常行为协同分析方法 45
4.1 引言 45
4.2 用户行为异常协同分析模型 46
4.2.1 相关概念 46
4.2.2 信誉模型 47
4.2.3 D-Chord环 48
4.2.4 用户行为异常协同分析模型 49
4.3 用户行为异常协同分析算法 51
4.3.1 构造训练样本 51
4.3.2 选择性集成分类器 52
4.3.3 信誉计算 53
4.3.4 双向Chord环查找 55
4.4 用户行为异常协同分析算法 56
4.5 实验结果与分析 57
4.6 本章小结 61
参考文献 61
第5章 基于选择性聚类融合的用户异常行为检测方法 63
5.1 引言 63
5.2 相关技术 63
5.2.1 聚类 63
5.2.2 基于分形维数的聚类模型 67
5.3 基于分形维数的异常行为分析机制 68
5.3.1 数据获取 69
5.3.2 聚类成员 69
5.3.3 选择策略 70
5.3.4 聚类融合 70
5.3.5 异常检测 71
5.4 仿真实验及结果分析 72
5.4.1 实验环境 72
5.4.2 评价标准 72
5.4.3 实验过程 72
5.4.4 仿真结果 76
5.5 本章小结 78
参考文献 78
第6章 基于Needleman-Wunsch算法的用户时序行为实时判别方法 80
6.1 引言 80
6.2 Needleman-Wunsch算法概述 81
6.3 基于Needleman-Wunsch算法的用户时序行为实时判别算法 82
6.3.1 算法概述 83
6.3.2 序列适应度 84
6.3.3 参考序列筛选 85
6.3.4 序列比对算法 85
6.3.5 自适应阈值算法 86
6.3.6 投票机制 86
6.3.7 结果反馈 86
6.4 仿真实验及性能分析 87
6.4.1 仿真数据 87
6.4.2 算法验证 88
6.4.3 性能比较 89
6.5 本章小结 90
参考文献 91
第7章 基于多标签超网络的云用户行为认定模型 92
7.1 引言 92
7.2 相关理论 92
7.2.1 分类算法 92
7.2.2 传统的超网络模型 93
7.3 云用户行为认定模型 94
7.3.1 特征选择 94
7.3.2 特征选择 94
7.3.3 基于多标签超网络的异常行为划分机制 95
7.4 仿真实验及结果分析 98
7.4.1 实验场景 98
7.4.2 仿真结果 100
7.5 本章小结 102
参考文献 103
第8章 基于模式增长的异常行为识别与自主优化方法 104
8.1 引言 104
8.2 基于模式增长的异常行为识别与自主优化模型 105
8.2.1 相关概念 105
8.2.2 Map-Reduce模型 105
8.2.3 黑名单技术 106
8.2.4 模型描述 107
8.3 异常行为识别与自主优化方法 107
8.3.1 带有时间间隔约束的正常行为模式挖掘方法 108
8.3.2 基于分层匹配的用户时序行为异常识别方法 110
8.3.3 基于模式增长的用户时序行为自主优化方法 113
8.3.4 基于模式增长的异常行为识别与自主优化算法 115
8.4 仿真实验与结果分析 115
8.5 本章小结 121
参考文献 121
第9章 基于D-TF-IDF的移动微学习资源部署方法 123
9.1 引言 123
9.2 移动微学习资源部署的系统模型 123
9.2.1 TF-IDF算法模型 124
9.2.2 灰狼优化方法模型 124
9.2.3 基于云的移动微学习服务提供模型 125
9.3 移动微学习资源部署的模型功能 126
9.3.1 分类模块 126
9.3.2 两层云架构模块 128
9.3.3 灰狼优化模块 128
9.3.4 能耗计算 129
9.4 实验结果与分析 132
9.4.1 实验设置 132
9.4.2 实验过程与结果 132
9.5 本章小结 139
参考文献 139
第10章 基于遗传算法的任务联合执行策略 141
10.1 引言 141
10.2 移动微学习的任务联合执行策略模型 142
10.2.1 相关概念 142
10.2.2 时间序列匹配模型 143
10.2.3 任务联合执行策略模型 144
10.3 问题描述 145
10.3.1 能耗描述 145
10.3.2 任务联合执行算法 148
10.4 实验分析 150
10.4.1 实验参数 150
10.4.2 实验结果 150
10.5 本章小结 154
参考文献 154
第11章 基于群体协作的移动终端节能方法 155
11.1 引言 155
11.2 移动微学习的群体协作模型 156
11.2.1 Random Waypoint协作模型 156
11.2.2 R-树空间聚类模型 157
11.2.3 层次分析法模型 158
11.3 能耗计算 160
11.4 实验分析 161
11.4.1 实验参数 162
11.4.2 实验结果 162
11.5 本章小结 166
参考文献 166
第12章 带语义的多层服务资源统一标识方法 167
12.1 引言 167
12.2 相关技术 167
12.2.1 资源信息编目格式 167
12.2.2 资源描述语言 171
12.3 服务资源统一标识 173
12.3.1 用户资源请求分析 173
12.3.2 统一标识方法描述 175
12.4 仿真实验与结果分析 176
12.4.1 场景设置 177
12.4.2 仿真结果 177
12.5 本章小结 180
参考文献 180
第13章 基于Pastry技术的服务资源自主组织方法 182
13.1 引言 182
13.2 相关技术 183
13.2.1 P2P网络 183
13.2.2 Pastry算法 184
13.3 基于Pastry技术的服务资源自主组织 187
13.3.1 云端资源自组织方法 188
13.3.2 云端节点加入 188
13.3.3 云端节点更新 189
13.3.4 云端资源请求路由过程 189
13.3.5 节点退出或失效 190
13.4 仿真实验及结果分析 190
13.4.1 仿真场景 190
13.4.2 仿真结果 191
13.5 本章小结 193
参考文献 193