Система учета ресурсов IT-инфраструктуры.

Description

В этой статье, посвященной проблемам безопасности при хранении и передаче данных нескольких типов в автономных системах Интернета вещей (IoT), предлагается алгоритм искусственного интеллекта для расширенного шифрования данных, используемый на конечных и промежуточных узлах IoT. Алгоритм в этой статье сначала строит трехмерную матрицу преобразования Арнольда для шифрования значения единицы данных в конце Интернета вещей и разрабатывает интеллектуальное отображение квантовой логики, которое эффективно рассеивает зашифрованные единицы данных, чтобы уменьшить линейную корреляцию данных изображения и повысить эффективность защиты граничных данных IoT. Кроме того, алгоритм разрабатывает стратегию доступа ИИ для скремблирования узлов последовательности и строит маршрут произвольного доступа для элементов скремблирующей последовательности, что может снизить стоимость вычислений и повысить эффективность работы системы IoT на конечных и промежуточных узлах. Наконец, матрица совместного использования данных используется для совместного использования зашифрованных данных для достижения пороговой стратегии (k, n). Экспериментальные результаты доказывают, что алгоритм имеет высокую чувствительность к открытому тексту и ключу и может эффективно противостоять атакам грубой силы, статистическому анализу и дифференциальным атакам. Алгоритм, описанный в этой статье, представляет собой ИИ-решение для шифрования безопасности данных на конечных и промежуточных узлах автономных систем IoT.

Автономные системы IoT (AIoT) добились больших успехов за счет внедрения всех видов технологий искусственного интеллекта, таких как контент-ориентированные сервисы на основе обучения с подкреплением . Хранение и передача многотипных данных в конечных и промежуточных узлах AIoT увеличились в геометрической прогрессии, что привело к множеству уязвимостей безопасности в AIoT, поэтому автономные системы IoT уязвимы для атак со стороны всех сторон при передаче данных. Как обеспечить безопасность хранения данных и передачи данных в AIoT, стало актуальной проблемой, особенно в системах управления чрезвычайными ситуациями. В настоящее время проблема безопасности хранения и передачи данных в конце AIoT может быть максимально облегчена с помощью алгоритмов информационной безопасности. Литература использует преобразование Арнольда для линейного преобразования исходных данных в конце AIoT, а процесс скремблирования прост. Но его можно использовать только для обработки данных в конце AIoT в виде квадратной матрицы или для предварительной обработки исходных данных и преобразования их в квадратную матрицу. Характеристики гистограммы данных не изменяются, и существует серьезная угроза безопасности. В литературе была введена матрица ИИ для шифрования данных в конце AIoT и достигнуты хорошие результаты. В литературе исходные данные в конце AIoT сначала разбиваются на 24-битные плоскости в соответствии с битовыми позициями, а затем шифруются битовые плоскости с использованием матрицы ИИ. Алгоритм шифрования использует множество операций XOR , но используемых ключей одномерной хаотической последовательности мало. В литературе используется матрица совместного использования для реализации стратегии шифрования, но процесс сокрытия матрицы совместного использования в секретных данных в конце AIoT более сложен. Литература может только максимально улучшить визуальный эффект восстановленных данных на основе схемы совместного использования визуального пароля, но не может реализовать восстановление данных без потерь. В литературе для реализации алгоритма шифрования используются разностные полиномы Лагранжа, но они не могут обеспечить восстановление данных без потерь. Литература основана на сжатом зондировании, а литература основана на алгоритме разделения триангуляции, который не может выполнять сокращение данных без потерь в конце AIoT. литературы объединили преобразование Арнольда с кодированием ДНК, чтобы улучшить путаницу канала RGB. В литературе впервые использовалась фильтрация данных для шифрования данных, но зашифрованная дата в конце AIoT не могла противостоять атакам на сжатие с потерями, вращение и обрезку. В литературе предлагается несколько важных алгоритмов того, как использовать методы, усиленные ИИ, для защиты безопасности и конфиденциальности кибербезопасности.

В ответ на вышеуказанные проблемы в этой статье предлагается алгоритм шифрования с повышенной безопасностью ИИ в автономных системах IoT (ASEEA-AIoT), который использует стратегию ИИ для предложения интеллектуального алгоритма шифрования данных в конце AIoT. Алгоритм повышает безопасность хранения и передачи данных в AIoT, которые могут быть реализованы на серверах, пограничных серверах и узлах с вычислительными возможностями и возможностями хранения. Во-первых, ASEA-AIOTS строит трехмерную матрицу преобразования Арнольда для шифрования значения данных в конце AIoT. И ASEA-AIOTS создает интеллектуальную карту квантовой логики для эффективного распространения значения зашифрованных данных в конце, что снижает линейную корреляцию данных и повышает безопасность данных производительность AIoT. Во-вторых, он разрабатывает стратегии доступа искусственного интеллекта для создания маршрутов произвольного доступа для зашифрованных узлов последовательности, что обеспечивает интеллектуальный обход зашифрованных данных. Наконец, общая матрица используется для совместного использования зашифрованных данных для достижения пороговой стратегии (k, n). ASEA-AIOTS снижает затраты на вычисления и повышает эффективность работы автономной системы IoT.

Этот алгоритм может быть реализован на серверах или пограничных серверах в соответствии с требованиями системы IoT в реальном времени. Чтобы удовлетворить требования интеллектуальной обработки AIoT, алгоритм или часть его работы по шифрованию могут быть реализованы на узле AIoT. Поскольку промежуточные узлы, особенно интернет-узлы CPS, обладают мощными вычислительными возможностями и возможностями хранения, они могут участвовать в реализации всех этапов этого алгоритма и распределении зашифрованных данных. Можно считать, что активные терминалы хранят зашифрованные данные, обычно используемые терминалом, и реализуют алгоритм дешифрования трехмерного преобразования Анорльда, поскольку они обладают определенными вычислительными возможностями и возможностями хранения.

Напоминание об этой статье организовано следующим образом: в разделе 2 представлен алгоритм обмена данными на основе общей матрицы, а в разделе 3 представлено сокрытие секретного ключа общей матрицы на основе слияния секретного графа. В разделе 4 представлен интеллектуальный расширенный алгоритм шифрования ценности данных, основанный на создании лабиринта AI и DFS. В разделе 5 представлены экспериментальные результаты и обсуждения, а в разделе 6 подведены итоги статьи.

Фрагменты раздела
Построение матричной структуры обмена алгоритма обмена данными в конце AIoT
Матрица обмена данными (DSM) является ядром алгоритма обмена данными в конце AIoT, предложенного в этой статье. При построении DSM пороговое значение минимального количества совместно используемых секретных данныхиспользуется для восстановления данных и количество секретных данных нужны для определения. Состояние<должен быть удовлетворен. В пороговой стратегии N может быть положительным целым числом, большим или равным 3, а K может быть положительным целым числом , меньшим или равным N. В ASEA-AIoT форма

Шифрование данных в конце AIoT на основе 3D-преобразования Арнольда
Матрица совместного использования, предложенная на основе алгоритма совместного использования данных в этой статье, реализует шифрование без потерь и восстановление данных через стратегия разделения порога. Однако процесс совместного использования заключается в разделении и объединении данных. В этом процессе значение или относительное положение пикселей не изменяется. Поскольку основная ценность данных напрямую раскрывается в процессе передачи по сети и в конечном итоге в пространстве для хранения, существуют определенные риски для безопасности. Следовательно

Интеллектуальное расширенное шифрование ценности данных на основе искусственного интеллекта и создания лабиринта DFS в конце AIoT.
Блок данный метод скремблирования значений, основанный на трехмерном преобразовании Арнольда, разработанном и реализованном в разделе 3. Хотя эффект шифрования может быть достигнут, чувствительности к открытому тексту недостаточно. NPCR составляет 0,3505%, а UACI составляет 0,1164%, что показано в эксперименте в разделе 5.5. Соответствующие теоретические значения NPCR и UACI составляют 99,6045% и 33,4635%. Алгоритм, основанный на трехмерном преобразовании Арнольда, не может эффективно противостоять дифференциальным атакам.

Экспериментальные результаты и обсуждение
Экспериментальная среда этой статьи включает в себя компьютерную систему с 64-разрядной операционной системой Windows 10 Домашняя китайская версия, двухъядерный процессор Intel Core i5-6200U 2,30 ГГц с памятью 8 ГБ. Исходные данные эксперимента в конце AIoT представлены в формате TIFF 572 × 374, показанном на рис. 1. Платформа моделирования данных — Matlab R2018b. Соответствующие параметры алгоритма задаются следующим образом: setзнак равно знак равно знак равно знак равно знак равно=2 в трехмерном скремблировании Арнольда

Вывод
Чтобы повысить безопасность AIoT, предлагается алгоритм ИИ для шифрования данных в конце AIoT. ASEA-AIOTS строит трехмерную матрицу преобразования Арнольда для шифрования значения единицы данных на границе IoT. Кроме того, чтобы улучшить показатели безопасности данных периферии IoT, в ASEA-AIOTS разработано интеллектуальное отображение квантовой логики, которое эффективно распространяет зашифрованные блоки данных и снижает линейную корреляцию данных.

Веб-приложение Django позволяет вести учет
единиц ИТ-инфраструктуры и виртуальных
ресурсов: создавать, хранить, шифровать,
дешифровать пароли.
Функционал реализован с помощью
технологии асинхронного шифрования. Веб-приложение построено на стеке: Nginx +
Gunicorn + Python 3.7 + Django + Postgresql.

Если у Вас появилась заинтересованность в данной нейронной сети, и она может помочь Вам в реализации Ваших бизнес и других технических задачах, пожалуйста отправьте заявку на email info@ai2b.ru , или позвоните по телефону 8(495)661-61-09