دانلود پروژه: پنهان­سازی الگوهای دنباله­ای برای داده‌های عددی

تعداد108 صفحه در فایل word

کارشناسی ارشد مهندسی کامپیوتر (گرایش هوش مصنوعی)

پنهان­سازی الگوهای دنباله­ای برای داده‌های عددی

چكيده

جمع­آوري و نگهداري حجم بزرگي از داده­هاي مرتبط در کاربردهاي گوناگون تجاري و صنعتي، اين فرصت را به صاحبان آن­ها مي­دهد تا بتوانند با استفاده از روش­هاي پيچيده داده­کاوي[1]، به تحليل و استخراج دانش[2] موجود در اين داده­هاي خام پرداخته و از نتايج حاصل در راستاي رشد و ترقي خود و يافتن برتري نسبت به رقبا، استفاده­کنند. براي اين منظور روش­هاي متفاوت وگوناگوني مطرح شده تا اين عمل به صورتي کارا انجام شود، اما کارايي تنها يک بعد اين موضوع است؛ بعد ديگر که اخيراً به آن پرداخته­شده، مباحث امنيتي و محرمانه نگاه داشتن دانش موجود است. تمرکز مبحث پنهان­سازي دانش[3] يا حفظ محرمانگي[4]مربوط به اين مورد است. يکي از شاخه­هاي مهم داده­کاوي، دنباله­کاوي[5] است؛ که در پي آن است که الگوهاي متوالي را که بين رويدادهاي مختلف وجود دارد، بيابد. الگوريتم­هاي کلاسيک دنباله­کاوي براي پردازش داده­هاي عددي کاربرد ندارند و تنها داده­هاي دودویی را پردازش مي­کنند، لذا در مواجهه با داده­هاي عددي، آن­ها را به صورت دودویی تحت پردازش قرار خواهند داد که منجر به از دست رفتن اطلاعات خواهد شد. محققان به کمک مجموعه­هاي فازي از اين مشکل جلوگيري کرده اند اما موضوعی که مطرح می شود حفظ محرمانگی در این داده­هاست که تاکنون پژوهشی در این زمینه ارائه نشده است. در اين تحقيق مسأله حفظ محرمانگي در دنباله­کاوي و دنباله­های فازی بررسی می­شود و الگوريتمي را براي حل آن ارائه می­گردد. اين الگوريتم از يک تابع بهينه­سازي چند هدفه سود برده و عمليات پنهان سازي الگوهاي دنباله­ايي حساس را به شيوه­ايي بسيار کارا انجام مي­دهد. کارایی الگوریتم پیشــنهادی با انجام آزمايش­ها و مقايسـه­هاي مختلف نشان­ داده­ شده­است.

کلمات کلیدی فارسی

داده­کاوی، دنباله­کاوی، دنباله­های فازی، پنهان­سازی داده­ها، قواعد حساس، الگوهای حساس دنباله­ای، حفظ محرمانگي.

[1] Data Mining

[2] Knowledge

[3] Knowledge Hiding

[4] Privacy Preserving

[5] Sequence Mining