数据云存储

收稿日期:20190328;修回日期:20190606基金项目:山西省教育厅项目(2018JG82,J2019219)作者简介:张新华(1982),女,山西太原人,讲师,硕士,主要研究方向为计算机应用技术(qq1170502087@163.
com).
基于特征迭代的云存储数据即时确定性删除方法张新华(太原学院计算机工程系,太原030012)摘要:传统数据删除方法易受到云存储环境中大量近似特征的影响,产生冗余数据,导致加解密时间过长、密钥可用率较低,为此提出一种基于特征迭代的云存储数据即时确定性删除方法.
首先,提取云存储数据中的冗余数据特征,对云存储下冗余数据进行分类,迭代直至收敛,实现冗余数据高性能删除;其次,采用加密机制实现云存储数据在网络用户间的安全共享,将原始数据密文切分为剩余密文和采样密文;最后,把不完整的剩余数据密文上传至云端,同时引入可信任第三方对取样密文进行保存,通过销毁取样密文实现数据即时确定性删除.
实验结果表明,所提方法的数据密文拆分所用时间较短,且密钥可用率较高,可达90%,说明其方法能够有效满足云存储系统中对冗余数据或过期数据的确定性删除要求.
关键词:特征迭代;云存储数据;即时;确定性删除中图分类号:TP302.
7文献标志码:A文章编号:10013695(2020)09057284004doi:10.
19734/j.
issn.
10013695.
2019.
03.
0128InstantaneousdeterministicdeletionofcloudstoragedatabasedonfeatureiterationZhangXinhua(Dept.
ofComputerEngineering,TaiyuanUniversity,Taiyuan030012,China)Abstract:Thetraditionaldatadeletionmethodiseasilyaffectedbyalargenumberofapproximatefeaturesinthecloudstorageenvironment,resultinginredundantdata,resultingintoolongencryptionanddecryptiontimeandlowkeyavailability.
Thispaperproposedafeatureiterationbaseddeterministicdeletionmethodforcloudstoragedata.
Firstly,itextractedtheredundantdatacharacteristicsincloudstoragedata,andclassifiedtheredundantdataundercloudstorage,iterateduntilconvergence,andtherealizedhighperformancedeletionofredundantdata.
Secondly,itusedtheencryptionmechanismtorealizethesecuresharingofcloudstoragedataamongnetworkusers.
Theoriginaldataciphertextdividedintoresidualciphertextandsampledciphertext.
Finally,ituploadedtheincompleteremainingdataciphertexttothecloud,atthesametime,introducedatrustedthirdpartytosavethesampledciphertext,realizeddeterministicdeletionofdatabydestroyingsampledciphertext.
Theexperimentalresultsshowthattheproposedmethodtakesashorttimetosplitdataciphertextandhasahighkeyavailabilityof90%,indicatingthatitcaneffectivelymeettherequirementofdeterministicdeletionofredundantdataorexpiredataincloudstoragesystems.
Keywords:featureiteration;cloudstoragedata;instantaneous;deterministicdeletion0引言云存储作为目前云计算中的一项基础设施,同样也是云服务的一种重要形式,已渗透到数据归档、在线文档编辑以及数据容灾备份等多个应用领域[1].
云存储是将海量资源以资源池的形式向用户提供资源存储服务,能够帮助用户降低存储费用、提供专业化的管理以及资源维护服务,可以让用户随时随地访问自己的文件,为海量网络用户提供了方便快捷的数据存取服务[2].
然而,网络环境的日益复杂,以及层出不穷的系统漏洞,使原本安全的云存储数据存在一些隐患[3].
例如不完全可信的云服务提供商为了提高云存储服务的可靠性,可能会对数据进行多个备份,并将这些数据存储在多个服务器中[4].
在此条件下,当云存储数据过期了,管理者要求删除数据时,很有可能仅删除了部分数据,一旦网络攻击者获得了密钥,从云服务提供商处得到了未被删除的密文数据,用户数据的机密性以及完整性将被破坏[5].
因此,对于云存储数据过期或是冗余数据的确定性删除是当前网络攻击形式日趋复杂的阶段下云存储安全研究的重点内容[6].
国内外相关研究者对此展开了一些研究工作,例如文献[7]提出了基于用户定义安全条件的重复数据删除方法,对重复数据进行查询,在查询过程中保证不泄露数据的任何信息,同时,将文件级和块级进行结合对重复数据进行删除,从而降低重复数据删除用时.
依据安全多方计算理论对数据的所有权进行证明,保障只有授权用户才可以获取数据的访问权,最终实现安全高效的重复数据删除.
实验结果表明,该方法可以在短时间内实现对重复性数据的删除,但是数据删除过程中密钥的可用率较低.
文献[8]提出了面向隐私保护的数据块调整机制,在云计算环境下,根据隐私保护机制将数据分成多个数据块,并将数据块存储到不同的节点上,从而实现数据的隐私保护.
虽然该方法可以实现对数据即时确定性的删除,但在实际环境中,数据块密文拆分所用时间较长.
文献[9]提出了一种数据安全删除方案,采用两级加密的方法对数据块进行加密,其中控制键由密钥生成,然后通过秘密共享分配到DHT网络,最终使用收敛加密方法实现对重复数据的消除.
分析和实验结果表明,该方案能够满足其安全性目标,并能以较低的成本实现有保证的删除.
但是上述方法没有考虑到云存储环境中大量的近似特征会给数据确定性删除造成冗余干扰,随着第37卷第9期2020年9月计算机应用研究ApplicationResearchofComputersVol37No9Sep.
2020云存储数据的不断增加,加解密时间也不断增加,密钥可用率降低.
针对上述问题,提出一种基于特征迭代的云存储数据即时确定性删除方法.
在考虑到近似特征给数据确定性删除造成冗余干扰的情况下,使用主动采样方法将云存储数据中的冗余数据特征进行提取,并根据均值漂移传递函数对云存储下冗余数据进行分类,实现冗余数据的剔除,为云存储数据即时确定性删除提供了基础.
经实验验证,本文所提方法能够有效删除云存储数据密钥,并且所用时间较短,具有及时性和有效性.
1基于特征迭代的云存储数据即时确定性删除方法11冗余数据消除利用主动采样方法提取云存储数据中的冗余数据特征,引入均值漂移传递函数对云存储下冗余数据进行分类,迭代直至收敛[10],从而实现冗余数据高性能删除.
具体过程如下所述:假设,N表示云存储数据训练集的全部样本数;Nmax表示较大类别的样本数量;Nmin表示较小样本数量,对于小类数据中各个样本的分类密度ρl可利用下式描述为ρl=Ml/K(1)其中:K表示云存储空间中基于欧氏距离的数据最近邻数量;Ml表示第K个数据最近邻数目中为最大类别的样本数量;ρl∈[0,1],其相应的密度分布为ρ′l=ρl/∑Nminl=1ρl(2)假设,ypj(τ)和dpj分别表示第p个云存储数据样本的第j个输出值和目标值,其特征提取约束条件可描述为E(τ)=12mn∑mp=1∑nj=1(dpj-ypj(τ))槡2(3)其中:τ表示迭代次数;n表示云存储输出数据量;m表示最终训练数据集的数量.
数据特征分类迭代次数可描述为w(τ+1)=w(τ)+ηΔw(τ)+αw(τ)(4)其中:η表示迭代速率;α表示数据集分类动量因子.
此过程的收缩量可描述为h(τ)=-∑mp=1o(τ)φpj(τ)wj(τ)(5)其中:φpj(τ)表示云存储数据特征分类输入总量;o(τ)表示冗余数据输出量,以此为根据提取冗余数据特征.
假设,Nh表示一个标准的云存储数据样本集;g(x)表示激励函数;Ns表示采集的样本数量;(xq,tq)表示其中某个样本.
构建的冗余数据提取模型可表示为f=∑Nhq=1ρ′lE(τ)g[w(τ+1)Δh(τ)+bq](6)其中:bq表示冗余数据偏置.
在云存储环境下,许多冗余数据特征在时间或空间上的存在为离散状态[11,12],利用线性频谱分析法对冗余数据分类过程同样也应当在离散状态下,当数据特征采集面满足z=z0时,其相应的分类分量可描述为S+(zm)=W+(zm,z0)S+(z0)(7)其中:W+(zm,z0)表示从冗余数据特征z0至zm的分类算子;S+(z0)表示特征分类集合.
在进行冗余数据分类过程中,先去除前M阶的分类结果,提取的前项分类结果可描述为pM0(z0)=p(z0)-∑Ma=1(-1)[p(z0)t(z0)]S+(z0)(8)其中:p(z0)用于描述标记的原始冗余数据;t(z0)表示冗余数据特征.
假设,原始云存储数据样本冗余数据取样频率为f0,利用式(9)计算确定的冗余数据提取结果.
X=|pM0(zk)|(9)利用线性频谱分析法获得冗余数据的适应度函数,以该函数为根据对数据进行分类,其分类约束函数可描述为F=XmaxA+(1-Xmax)B(10)其中:A表示冗余数据分类准确度;B表示冗余数据消除百分比,对所有云存储数据的类内离散度集合进行加权处理可获得冗余数据分类结果.
Sw=S+(zm)X3+pM0(z0)F[Xmax(COVmax+COVmin)](11)其中:COVmax和COVmin分别表示云存储数据样本的最大、最小协方差.
通过多次迭代直至收敛,从而实现冗余数据高性能删除.
12云存储数据即时确定性删除采用加密机制实现云存储数据在网络用户间的安全共享,对原始数据密文进行取样分片,切分为剩余密文和采样密文,不完整的剩余数据密文上传至云端,使不可信的云存储服务商难以获取完整云存储数据,同时引入可信任第三方对取样密文进行保存,通过销毁取样密文实现数据即时确定性删除.
具体过程如下所述:为了加密原始数据,可信机构需要依据云存储系统安全系数进行初始化[13,14],生成加密公钥PK及主密钥MK,G0表示阶数为p′的乘法循环群,g表示群G0相应的生成元,G1表示阶数为q的乘法循环群,e表示其整数域,G0*G0表示一个双线性对,e(g,g)α表示其映射方式,α、β分别表示Zp中的一个随机选取值,随机选取tj∈Zp,输出系统公钥以及主密钥为PK=(g,gβ,y=e(g,g)α)MK=(β,{tj}nj=1{)(12)数据持有者DO采用加密机制加密原始数据,输入系统公钥PK,数据访问控制结构T及密文M,利用式(13)计算中间变量.
c0=(gβ)sc1=Mys=Me(g,g)scj,i=(gts)(13)根据式(13)给出的中间变量计算数据加密密文,有C=(T,c0,c1,{cji}aj)(14)为了保证云存储数据的机密性,数据持有者DO先在本地对数据进行一次加密,对加密密文进行取样分片处理[15,16].
假设C表示云存储数据密文,m′表示每次取样的比特数,n′表示数据取样的次数,pi表示当前数据密文长度,Len(Ci)表示当前数据密文Ci的长度,则取样的比特信息在数据密文Ci中处于[pi,pi+m′],Di表示第i次取样得到的云存储数据,Ci+1表示第i次取样后的云存储密文数据,整个取样过程的比特数据采用元组EB=(b1,N′,bn)描述,N′表示提取密钥的门限值,与其相关的取样位置信息描述为EP=(p1,…,pn),则完整的数据取样密文可表示为ED=(EB,EP),LD为取样后的剩余密文,即LD=(C,m′,n′,ED)(15)为了保证云存储数据在网络用户之间共享,第三方可信机构[17,18]TAP根据用户u的属性集Au构成此用户的数据加密私钥SKu,从Zp中选取出α、β、r.
计算出该用户私钥的公共数值D0为D0=gα+r/β(16)在式(16)的基础上计算用户私钥相应的属性数值Dj,有Dj=gAu/β(17)其中:Au表示数据持有者DO分配至用户属性集合rj∈Zp,对各个数据属性aj∈Au,均选取一个随机数tj为Zp中选择的值,利用式(18)输出云存储数据的私钥.
SKu=(D0,Di)(18)当网络用户访问云存储数据时,云服务提供商将云存储数·1482·第9期张新华:基于特征迭代的云存储数据即时确定性删除方法据剩余密文传送至可信机构[19],进行完整密文合成,R()表示数据密文合成函数,ED表示取样密文,含有比特数据元组EB=(b1,…,bi,…,bn′)及关联的采样位置信息元组EP=(p1,…,pi,…,pn′),LD表示剩余密文,利用式(19)可输出云存储数据密文.
C=R(ED,LD)(19)用户从可信机构获得完整的密文[20],采用私钥SKu解密恢复云存储数据明文.
云存储数据的确定性删除操作由可信结构在执行,可信结构删除云存储数据密文的取样部分,使其难以合成完整的数据加密密文,用户无法仅依靠私钥解密出明文数据,从而确保了在云存储系统非授权时间内难以解密和访问数据,进而实现了云存储数据的即时确定性删除.
2实验结果与分析为验证基于特征迭代的云存储数据即时确定性删除方法的有效性,进行仿真实验分析.
实验以验证所提方法确定性删除效果为主要目的,以数据密文拆分所用时间和密钥可用率为实验指标对所提方法、基于用户定义安全条件的重复数据删除方法[7]以及面向隐私保护的数据块调整机制[8]进行对比分析.
21实验参数设置仿真实验环境为IntelCore2.
30GHz,4GB内存,操作系统为Ubuntu10.
04,实验数据均来自于MATLAB软件.
本文采用的加密方法为OpenSSL1.
0.
0库中的方法,密钥长度均为256bit.
22不同方法下数据密文拆分所用时间对比在云存储数据不断增加的背景下,加解密时间也不断增加,会导致密钥可用率较低,为此对云存储数据密文拆分十分重要.
对云存储数据加解密的测试是将测试云存储数据密文进行取样分片后再对数据块进行加密,解密过程中先对数据块进行解密再构成文件,其中云存储数据总量为2GB,数据块大小为4KB.
图1为本文方法、文献[7,8]方法将原始云存储数据密文拆分为不同类型密文所用的时间对比.
从图1中可以看出,对于2GB的云存储数据,当迭代次数为25次,密文数量为25个时,本文方法的数据密文拆分所用时间为10s,文献[7]方法的数据密文拆分所用时间为49s,文献[8]方法的数据密文拆分所用时间为78s;当迭代次数为100次,密文数量为30个时,本文方法的数据密文拆分所用时间为22s,文献[7]方法的数据密文拆分所用时间为50s,文献[8]方法的数据密文拆分所用时间为50s.
由上述数据可知,运用本文方法对云存储数据密文进行拆分时,所用时间远远低于传统方法所用时间,这是由于本文方法在对云存储数据即时确定性删除之前,采用主动采样方法对云存储数据中的冗余数据特征进行提取,并且通过均值漂移传递函数实现对冗余数据的分类,经过多次迭代,实现冗余数据高性能删除,从而缩短了数据密文拆分所用时间,提高了拆分效率,为云存储数据即时确定性删除提供良好的基础.
23不同方法下密钥可用率对比分析提取上文中提到的密钥门限值N′,在不同的门限值以及不同门限率下对不同方法选用的密钥在云存储系统的可用性进行了实验,将相同密钥随机向云存储系统中发放多次,间隔单位时间从中提取并重新建立密钥,通过重构获得的密钥计算出云存储系统中密钥的可用率.
将N′的值分别设定为1、100、500、1024,如图2所示.
图1不同方法数据密文拆分所用时间Fig.
1Timetakenfordataciphertextsplittingusingdifferentmethods图2不同门限值下密钥可用率对比Fig.
2Comparisonofkeyavailabilityunderdifferentthresholds分析图2可知,当密钥门限值N′不同时,密钥可用率随之改变.
文献[7]方法的密钥可用率最高为30%,最低10%;文献[8]方法的密钥可用率最高为86%,最低30%;相比较而言,本文方法的密钥可用率最高值和最低值均高于文献[7,8]方法的最高值和最低值,分别为90%和59%.
由于本文方法在配置时段内系统不会立刻清除云存储数据,会将数据保留一段时间,以便于数据分发者通过多次更新将其分发至网络中,减少网络节点与数据分发者由于时间不同步导致的数据丢失情况.
在缓冲时段内,数据的分发者不更新,也不再向网络中继续分发数据,则这些数据将会在缓冲时间过后被云存储系统确定性删除,说明本文方法能够提升密钥可用率,从而提高云存储数据即时确定性删除成功率.
在上述实验的基础上对云存储系统中密钥的可用性与时间之间的关系进行具体分析,从首次分发密钥开始计算,间隔单位时间内从云存储系统中提取并重构密钥,整个密钥提取过程长达6h.
图3表示当门限值取值不同时,云存储系统中密钥的可用性与时间之间的关系图.
!
""#$$"%$"!
%&'$(!
")*#$%&)%'()*+)+!
"","("'"%""-$",-+-#"+-!
,-+-!
""+-!
$",-+-#"+图3密钥可用性与时间的关系Fig.
3Relationshipbetweenkeyavailabilityandtime从图3中可以看出,对于数据的多个密钥,通过对原始数据密文进行取样分片切分为剩余密文和采样密文,将不完整的剩余数据密文上传至云端,使其提取时间和密钥的时间开销可以保持在相同数量级上.
综合以上实验结果可以看出,本文方法在N′=50,门限值为70%时,实现云存储数据即时确定性删除性能开销降低,兼顾了云存储系统的可用性和安全性.
3结束语本文为了保护云存储系统的机密性,在对云存储冗余数据消除和采用密文采样分片的基础上,提出一种适用于云存储系统的云存储数据即时确定性删除方法,该方法通过引入均值漂移传递函数对云存储下的冗余数据进行分类,以分类结果为根据实现冗余数据高性能删除.
在此基础上采用加密机制实现云存储数据在网络用户间的安全共享,对原始数据密文进行取样分片,切分为剩余密文和采样密文,同时引入可信任的第三方对取样密文进行保存,通过销毁取样密文实现数据即时确定·2482·计算机应用研究第37卷性删除,从而确保了在云存储系统非授权时间内难以解密和访问数据,即实现了云存储系统下的数据即时确定性删除.
实验结果表明,本文方法进行云存储数据加解密所用时间开销较小,对其进行授权后可以达到确定性删除分发至云存储系统中的密钥,满足云存储系统中冗余数据或是过期数据的确定性删除要求.
本文方法能够有效抵抗网络攻击,防止密钥以及云存储数据的泄露,同时有效避免了可信结构管理系统中存在的安全隐患.
由于云存储数据密钥的分发和提取时间不仅与门限密切相关,还与网速相关,故接下来将主要针对网速对云存储数据即时确定性删除的影响进行探究,争取降低网速对密钥的分发与提取时间的影响,从而进一步提升本文方法的应用性.
参考文献:[1]刘凯,王三虎,薛艳锋,等.
云计算环境下不可靠数据恢复方法研究[J].
计算机测量与控制,2017,25(8):2831,35.
(LiuKai,WangSanhu,XueYanfeng,etal.
Researchonunreliabledatarecoverymethodincloudcomputingenvironment[J].
ComputerMeasurement&Control,2017,25(8):2831,35.
)[2]刘永强,郝高岩,廖英英,等.
一种基于Viterbi法的改进瞬时转速估计算法[J].
振动测试与诊断,2017,37(5):10181024.
(LiuYongqiang,HaoGaoyan,LiaoYingying,etal.
ModifiedmethodforinstantaneousspeedestimationbasedonViterbialgorithm[J].
JournalofVibrationMeasurement&Diagnosis,2017,37(5):10181024.
)[3]YangAnjia,XuJia,WengJian,etal.
Lightweightandprivacypreservingdelegatableproofsofstoragewithdatadynamicsincloudstorage[J/OL].
IEEETransactionsonCloudComputing.
(20180628).
https://doi.
org/10.
1109/TCC.
2018.
2851256.
[4]LeeG,KoH,PackS.
Anefficientdeltasynchronizationalgorithmformobilecloudstorageapplications[J].
IEEETransonServicesComputing,2017,10(3):341351.
[5]胡代弟.
远程实验数据传输中加密数据防丢失方法研究[J].
科学技术与工程,2016,16(31):6165.
(HuDaidi.
Theremoteexperimentdataencrypteddatalosspreventionmethodinthestudy[J].
ScienceTechnologyandEngineering,2016,16(31):6165.
)[6]张光华,刘会梦,陈振国,等.
云环境中基于信任分散策略的数据共享方案[J].
计算机应用研究,2018,35(3):905910.
(ZhangGuanghua,LiuHuimeng,ChenZhenguo,etal.
Datasharingschemebasedontrustdecentralizationincloudenvironment[J].
ApplicationResearchofComputers,2018,35(3):905910.
)[7]刘红燕,咸鹤群,鲁秀青,等.
基于用户定义安全条件的可验证重复数据删除方法[J].
计算机研究与发展,2018,55(10):21342148.
(LiuHongyan,XianHequn,LuXiuqing,etal.
Verifiablesecuredatadeduplicationbasedonuserdefinedsecurityrequirements[J].
JournalofComputerResearchandDevelopment,2018,55(10):21342148.
)[8]史玉良,陈玉,孙世彬,等.
面向隐私保护的数据块调整机制[J].
计算机学报,2017,40(12):27192733.
(ShiYuliang,ChenYu,SunShibin,etal.
Datachunksadjustmentmechanismforprivacyprotection[J].
ChineseJournalofComputers,2017,40(12):27192733.
)[9]郁诺.
无线网络特征数据加密方法的优化[J].
计算机仿真,2016,33(8):288291.
(YuNuo.
Theoptimizationofthecharacteristicsofwirelessnetworkdataencryption[J].
ComputerSimulation,2016,33(8):288291.
)[10]LiChaoling,ChenYue,ZhouYanzhou.
Adataassureddeletionschemeincloudstorage[J].
ChinaCommunications,2014,11(4):98110.
[11]MansouriY,ToosiAN,BuyyaR.
Costoptimizationfordynamicreplicationandmigrationofdatainclouddatacenters[J].
IEEETransonCloudComputing,2019,7(3):705718.
[12]梁萌,管阳.
基于并行数据库的海量数据分析处理方法的研究[J].
电子设计工程,2017,25(10):132135.
(LiangMeng,GuanYang.
Researchontheanalysisandprocessingmethodofmassivedatabasedonparalleldatabase[J].
ElectronicDesignEngineering,2017,25(10):132135.
)[13]UdayakumarR,GeethaKV.
AnEOQmodelfornoninstantaneousdeterioratingitemswithtwolevelsofstorageundertradecreditpolicy[J].
JournalofIndustrialEngineeringInternational,2018,14:343365.
[14]YuYong,AuMH,AtenieseG,etal.
Identitybasedremotedataintegritycheckingwithperfectdataprivacypreservingforcloudstorage[J].
IEEETransonInformationForensicsandSecurity,2017,12(4):767778.
[15]ShinY,KooD,HurJ.
Asurveyofsecuredatadeduplicationschemesforcloudstoragesystems[J].
ACMComputingSurveys,2017,articleNo.
74.
[16]SinghA,GargS,KaurK,etal.
Fuzzyfoldedbloomfilterasaserviceforbigdatastorageinthecloud[J].
IEEETransonIndustrialInformatics,2019,15(4):23382348.
[17]MansouriN,JavidiMM.
Ahybriddatareplicationstrategywithfuzzybaseddeletionforheterogeneousclouddatacenters[J].
JournalofSupercomputing,2018,74:53495372.
[18]EremondiJ,IbarraOH,McQuillanI.
Deletionoperationsondeterministicfamiliesofautomata[J].
InformationandComputation,2017,256(10):237252.
[19]徐爱萍,王波,徐武平.
HBase中基于时空特征的监测视频大数据关联查询研究[J].
计算机应用研究,2017,34(5):14231427,1432.
(XuAiping,WangBo,XuWuping.
ResearchonassociatedqueryofmonitoringvideobigdatabasedonspatiotemporalcharacteristicsinHBase[J].
ApplicationResearchofComputers,2017,34(5):14231427,1432.
)[20]徐建鹏,李欣,孙海春.
一种基于可信策略的云存储持久性检测方法[J].
计算机应用研究,2018,35(8):24392442.
(XuJianpeng,LiXin,SunHaichun.
Methodofcloudstoragepersistencedetectionbasedontrustpolicy[J].
ApplicationResearchofComputers,2018,35(8):24392442.
)(上接第2830页)[13]蒋华,蔡振海,王鑫.
基于蚁群的水下无线传感器网络能量路由协议[J].
微电子学与计算机,2017,34(8):1216.
(JiangHua,CaiZhenhai,WangXin.
Energyroutingprotocolforunderwaterwirelesssensornetworksbasedonantcolony[J].
Microelectronics&Computer,2017,34(8):1216.
)[14]李新春,高佰胜.
基于最优簇数和改进引力搜索的WSN路由算法[J].
计算机应用,2017,37(12):33743380.
(LiXinchun,GaoBaisheng.
WSNroutingalgorithmbasedonoptionalnumberofclustersandimprovedgravitationalsearch[J].
JournalofComputerApplications,2017,37(12):33743380.
)[15]HeinzelmanWB.
Applicationspecificprotocolarchitecturesforwirelessnetworks[M].
Cambridge,MA:MassachusettsInstituteofTechnology,2000.
[16]侯彦军,谭国真.
一种WSN分簇路由协议研究和实现[J].
计算机科学,2015,42(5):160164,187.
(HouYanjun,TanGuozhen.
Researchonclusteringroutingprotocolinwirelesssensornetworks[J].
ComputerScience,2015,42(5):160164,187.
)[17]刘爱东,卢中武,刘德浩.
基于LEACH的低能耗路由协议研究[J].
计算机工程与应用,2012,48(24):8890.
(LiuAidong,LuZhongwu,LiuDehao.
ResearchonlowenergyconsumptionroutingprotocolbasedonLEACH[J].
ComputerEngineeringandApplications,2012,48(24):8890.
)[18]GholipourMD.
Anewantcolonyoptimizationroutingapproachbasedfuzzyclusteringinwirelesssensornetwork[J].
RevistaPublicando,2019,5(18):469479.
[19]AlMahmudT.
Asurveyonwirelesssensornetworksarchitecturalmodel,topology,serviceandsecurity[J].
SocialScienceElectronicPublishing,2018,1(1):1826.
[20]JainP,KakadeSM,KidambiR,etal.
Acceleratingstochasticgradientdescentforleastsquaresregression[C]//ProcofConferenceonLearningTheory.
2018:545604.
·3482·第9期张新华:基于特征迭代的云存储数据即时确定性删除方法