电子信息技术

本发明公开了一种物联网边缘计算数据污染检测方法、系统及介质。方法包括：获取初始样本数据；初始样本数据包括原始数据集S以及不同噪声比例的高斯噪声产生的数据集G；构建基线模型，基线模型包括残差网络和基础网络；基于初始样本数据进行训练，直到预设的基线模型的复合损失函数收敛，得到训练好的基线模型；使用数据集G和预设的污染样本数据集F对训练好的基线模型进行检测，使用残差网络提取原始数据集S的样本特征得到第一特征图，使用基础网络对数据集G的样本特征进行卷积得到第二特征图，将第一特征图、第二特征图进行数据融合，输出数据污染检测结果。通过本发明解决物联网边缘计算面临的数据安全问题，减少训练和学习的数据量。

成果亮点

鉴于以上所述现有技术的缺点，本发明提供数据污染检测方法、系统、电子设备及介质，用于解决现有物联网边缘计算面临的数据安全问题，减少训练和学习的数据量，减小模型复杂度。

通过在物联网设备附近进行计算和存储，可以大大减少数据传输的负担，提高系统的响应速度和可靠性。然而，边缘计算也面临着数据污染的问题，即恶意节点可以通过注入虚假数据来干扰边缘计算的正常运行。因此，本文提出了一种物联网边缘计算数据污染检测方法、系统及介质，以提高物联网边缘计算的安全性和可靠性。

该方法通过在物联网设备上部署传感器节点和计算节点，实现对设备周围环境的监测和计算。同时，在计算节点上运行数据污染检测算法，对传感器节点采集的数据进行分析和判断，以识别数据污染行为。此外，该系统还引入了区块链技术，将传感器节点采集的数据存储在区块链上，以保证数据的安全性和不可篡改性。

综上所述，这种物联网边缘计算数据污染检测方法、系统及介质具有广泛的应用前景。它可以应用于智能家居、智慧城市、环境监测等多个领域，为物联网边缘计算提供更加安全可靠的解决方案。

与现有技术相比，本发明技术方案的有益效果是：

本发明为解决边缘计算系统中的边缘节点算力不足，且难以有效的识别其它边缘节点的恶意攻击而导致的服务崩溃问题，提出使用数据集G和预设的污染样本数据集F对训练好的基线模型进行检测，所述数据集G和污染样本数据集F通过经验模态分解EMD得到，通过随机选择批量样本加入高斯噪声形成带有高斯噪声的高斯噪声样本。进而减少训练和学习的数据量，减小模型复杂度，减少过拟合问题的出现。

使用本发明提出的复合损失函数进行训练，并提出了加速收敛函数，加快了网络训练的收敛速度，解决了因边缘节点鲁棒性不强，数据失真或遭到轻度质变导致边缘节点运算结果波动大且不准确问题，使得基线模型具有更宽泛的数据拟合能力和预测能力，解决了数据被严重破坏时边缘节点难以正确运算导致的系统性崩溃问题。