边缘计算通过分散的云和地理上分布边缘节点提供延迟敏感和通信密集型应用程序的敏捷数据处理平台。由于安全问题和威胁,对边缘节点的集中控制可能是挑战。在若干安全问题中,数据完整性攻击可能导致数据和侵入边缘数据分析不一致。进一步加剧攻击使得减轻和识别根本原因挑战。因此,本文提出了数据检疫模型的新概念,以通过隔离入侵者缓解数据完整性攻击。使用隔离区的云,ad-hoc网络和计算机系统中的有效安全解决方案具有在边缘计算中采用它的动力。数据采集边缘节点通过维度降低识别入侵者并检定所有可疑设备。在隔离期间,拟议的概念构建了信誉分数,以确定错误识别的合法设备,并消毒其受影响的数据以重新获得数据完整性。作为初步调查,这项工作识别适当的机器学习方法,线性判别分析(LDA),用于减少维度。 LDA导致72.83%的检疫精度和0.9秒的培训时间,比其他最先进的方法有效。将来,这将由地面真理数据实施和验证。
translated by 谷歌翻译