摘" 要： 由于云服務(wù)器通信網(wǎng)中數(shù)據(jù)流量龐大且復(fù)雜，同時(shí)受到網(wǎng)絡(luò)結(jié)構(gòu)和配置的多樣性以及動(dòng)態(tài)變化的影響，傳統(tǒng)的主動(dòng)探測(cè)或人工分析方法難以準(zhǔn)確識(shí)別漏洞弧段，導(dǎo)致故障數(shù)據(jù)識(shí)別的準(zhǔn)確性和效率受到限制。因此，研究一種基于被動(dòng)分簇的云服務(wù)器通信串口故障數(shù)據(jù)識(shí)別方法。由被動(dòng)分簇算法確定云服務(wù)器通信串口的通信網(wǎng)的漏洞弧段，基于信息熵的量化方法，提取云服務(wù)器通信串口通信網(wǎng)漏洞弧段中節(jié)點(diǎn)流量數(shù)據(jù)的熵值特征，將其作為串口故障數(shù)據(jù)分類方法的分類目標(biāo)，并以K?means聚類的方式判定云服務(wù)器通信串口流量數(shù)據(jù)的故障類型，實(shí)現(xiàn)被動(dòng)分簇下云服務(wù)器通信串口故障數(shù)據(jù)識(shí)別。實(shí)驗(yàn)結(jié)果表明，所提方法在多種網(wǎng)絡(luò)入侵行為下對(duì)云服務(wù)器通信串口故障數(shù)據(jù)識(shí)別時(shí)，都有較好的識(shí)別效果。

關(guān)鍵詞： 被動(dòng)分簇； 云服務(wù)器； 通信串口； 故障數(shù)據(jù)識(shí)別； 分類識(shí)別； K?means聚類

中圖分類號(hào)： TN929.5?34； TP391" " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2025）04?0068?05

Cloud server communication serial port fault data identification under passive clustering

YU Yanpeng， HUI Xianghui

（College of Information and Management Sciences （College of Software）， Henan Agricultural University， Zhengzhou 450000， China）

Abstract： Due to the large and complex data flow in the cloud server communication network， as well as the diversity and dynamic changes in network structure and configuration， traditional active detection or manual analysis methods are difficult to accurately identify vulnerability arcs， which limits the accuracy and efficiency of fault data identification. Therefore， a method of cloud server communication serial port fault data identification based on passive clustering is studied. The passive clustering algorithm is used to determine the vulnerability arc of the communication network of the cloud server communication serial port. Based on the quantification method of information entropy， the entropy characteristics of node traffic data in the vulnerability arc of the cloud server communication serial port communication network are extracted， which are used as the classification target of the serial port fault data classification method. K?means clustering is used to determine the type of fault in the cloud server communication serial port traffic data and realize the identification of cloud server communication serial port fault data under passive clustering. The experimental results show that the proposed method has good recognition performance for cloud server communication serial port fault data under various network intrusion behaviors.

Keywords： passive clustering; cloud server; communication serial port; fault data identification; classification identification; K?means clustering

0" 引" 言

在云服務(wù)器中，通信串口是連接服務(wù)器與其他設(shè)備（如傳感器、外部設(shè)備等）的關(guān)鍵通道[1?2]。然而，由于各種原因（如硬件老化、軟件錯(cuò)誤、外部干擾等），通信串口可能會(huì)出現(xiàn)故障，導(dǎo)致數(shù)據(jù)傳輸錯(cuò)誤、連接丟失等問(wèn)題，從而影響云服務(wù)器的正常運(yùn)行[3]。傳統(tǒng)的故障識(shí)別方法依賴于手動(dòng)監(jiān)控和分析，不僅效率低下，而且容易遺漏故障信息。因此，研究通信串口故障數(shù)據(jù)識(shí)別方法具有重要的實(shí)際意義和應(yīng)用價(jià)值。

文獻(xiàn)[4]利用集成學(xué)習(xí)模型提升了通信網(wǎng)絡(luò)故障數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性，但模型參數(shù)調(diào)優(yōu)復(fù)雜，需要消耗大量實(shí)驗(yàn)和計(jì)算資源。文獻(xiàn)[5]研究一種云服務(wù)器虛擬機(jī)通信串口數(shù)據(jù)安全監(jiān)控方法，能實(shí)時(shí)監(jiān)測(cè)并防范安全威脅，但仿真環(huán)境與實(shí)際環(huán)境的差異可能導(dǎo)致結(jié)果偏差，需謹(jǐn)慎對(duì)待仿真結(jié)果。文獻(xiàn)[6]提出一種基于淺分類器的網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)識(shí)別方法，在動(dòng)態(tài)IP地址工況中表現(xiàn)良好，但深度神經(jīng)網(wǎng)絡(luò)的復(fù)雜性易導(dǎo)致過(guò)擬合，使淺分類器在未知故障數(shù)據(jù)識(shí)別中性能下降。文獻(xiàn)[7]設(shè)計(jì)一種基于生物啟發(fā)的混合深度學(xué)習(xí)網(wǎng)絡(luò)入侵檢測(cè)模型，結(jié)合深度學(xué)習(xí)和生物啟發(fā)技術(shù)，能有效識(shí)別網(wǎng)絡(luò)流量異常；但自動(dòng)編碼器在特征提取時(shí)易受無(wú)關(guān)特征和噪聲干擾，影響模型性能。

因此，本文提出一種基于被動(dòng)分簇的云服務(wù)器通信串口故障數(shù)據(jù)識(shí)別方法。

1" 云服務(wù)器通信串口故障數(shù)據(jù)識(shí)別方法

1.1" 基于被動(dòng)分簇的串口通信漏洞弧段檢測(cè)

傳統(tǒng)方法難以有效識(shí)別串口通信安全漏洞，而通過(guò)引入被動(dòng)分簇方法可以更好地確定安全漏洞位置，并提取關(guān)鍵特征、實(shí)現(xiàn)漏洞檢測(cè)，有助于增強(qiáng)串口通信的安全防護(hù)。當(dāng)云服務(wù)器通信中出現(xiàn)異常節(jié)點(diǎn)時(shí)，使用被動(dòng)分簇算法確定通信網(wǎng)漏洞弧段，縮小檢測(cè)范圍，可為故障數(shù)據(jù)識(shí)別提供重要支持。異常節(jié)點(diǎn)需依賴中間節(jié)點(diǎn)完成流量數(shù)據(jù)傳輸，如果云服務(wù)器通信串口通信網(wǎng)絡(luò)的簇中存在異常節(jié)點(diǎn)，便需要借助中間節(jié)點(diǎn)完成流量數(shù)據(jù)傳輸[8]。因此，云服務(wù)器通信串口通信網(wǎng)絡(luò)節(jié)點(diǎn)[y]出現(xiàn)安全漏洞的概率為：

[Py=ρRy] （1）

式中：[ρ]、[Ry]分別代表比率系數(shù)、節(jié)點(diǎn)[y]映射范圍中的簇首數(shù)目。本文中利用漏洞弧段檢測(cè)安全漏洞，由通信網(wǎng)絡(luò)節(jié)點(diǎn)判斷安全漏洞弧序列。正常情況下，串口通信網(wǎng)絡(luò)節(jié)點(diǎn)分布狀態(tài)存在隨機(jī)性，串口通信網(wǎng)絡(luò)節(jié)點(diǎn)的相對(duì)位置關(guān)系如圖1所示。

以圖1中節(jié)點(diǎn)1為例，引入虛擬移動(dòng)法來(lái)分析每個(gè)節(jié)點(diǎn)之間相對(duì)位置的關(guān)聯(lián)性。將節(jié)點(diǎn)1按照?qǐng)D2所示移動(dòng)軌跡移動(dòng)至位置1?1，位置1?1與節(jié)點(diǎn)2之間的線段和原始節(jié)點(diǎn)1與節(jié)點(diǎn)2之間線段的角度設(shè)成[ξ]。由此方法來(lái)控制節(jié)點(diǎn)1按照?qǐng)D2所示移動(dòng)軌跡移動(dòng)至位置1?2，位置1?2與節(jié)點(diǎn)2之間的線段和原始節(jié)點(diǎn)1與節(jié)點(diǎn)2之間線段的角度設(shè)成v。根據(jù)節(jié)點(diǎn)1與節(jié)點(diǎn)2之間相對(duì)位置，設(shè)置串口通信網(wǎng)絡(luò)兩個(gè)節(jié)點(diǎn)的位置信息為[o1，ξ]，[o1]代表串口通信網(wǎng)絡(luò)節(jié)點(diǎn)1與節(jié)點(diǎn)2的相對(duì)距離，[ξ]、[v]的關(guān)系是：

[ξ+v=π2] （2）

利用每個(gè)通信網(wǎng)絡(luò)節(jié)點(diǎn)的相對(duì)位置數(shù)據(jù)，基于節(jié)點(diǎn)感知半徑[9][?]的協(xié)助分析，使用式（3）計(jì)算近鄰2個(gè)串口通信網(wǎng)絡(luò)節(jié)點(diǎn)的安全漏洞弧長(zhǎng)：

[Z=2Pyarccoso2?] （3）

結(jié)合所得漏洞弧長(zhǎng)數(shù)據(jù)，便可判斷安全漏洞弧的方位角[ξ-Z2，ξ+Z2]。因串口通信網(wǎng)絡(luò)節(jié)點(diǎn)之間存在相交問(wèn)題，各個(gè)節(jié)點(diǎn)的2段安全漏洞弧也存在相交性，因此，每個(gè)近鄰節(jié)點(diǎn)之間的距離將小于[?]的2倍。此時(shí)結(jié)合每個(gè)節(jié)點(diǎn)之間的距離狀態(tài)，便可判斷漏洞弧段。

1.2" 云服務(wù)器通信串口流量數(shù)據(jù)特征量化方法

利用被動(dòng)分簇算法成功確定了云服務(wù)器通信串口的通信網(wǎng)漏洞弧段，然而僅僅確定漏洞弧段的位置并不足以全面揭示其內(nèi)在的安全風(fēng)險(xiǎn)。在串口通信網(wǎng)絡(luò)漏洞弧段中，各節(jié)點(diǎn)的正常流量和異常流量具有明顯的差異和分布特征[10?11]，因此，采用基于信息熵的量化方法來(lái)提取節(jié)點(diǎn)流量數(shù)據(jù)的熵值特征。信息熵能夠客觀地描述數(shù)據(jù)的混亂程度和不確定性，從而準(zhǔn)確反映流量數(shù)據(jù)的復(fù)雜性和隨機(jī)性。

將串口通信網(wǎng)絡(luò)漏洞弧段中通信網(wǎng)絡(luò)節(jié)點(diǎn)的[M]個(gè)數(shù)據(jù)包以時(shí)間先后為基準(zhǔn)，分成一個(gè)單位流量某特征屬性出現(xiàn)的次數(shù)，設(shè)成[Y=Y1，Y2，…，YM]。按照單位流量，當(dāng)云服務(wù)器通信時(shí)，若出現(xiàn)運(yùn)算異常流量數(shù)據(jù)，則流經(jīng)通信串口的流量數(shù)據(jù)熵值為：

[KY=Zj=1MmjAlnmjA] （4）

式中：[Y=mj，j=1，2，…，M]代表云服務(wù)器通信串口流量數(shù)據(jù)中某特征屬性[j]出現(xiàn)[m]次；[A]代表某流量特征出現(xiàn)次數(shù)總值。將[A=j=1Mmj=j=1MY]代入式（4），便可提取單位流量數(shù)據(jù)熵值[12?13]。

1.3" 串口故障數(shù)據(jù)識(shí)別

在云服務(wù)器通信串口的安全防護(hù)中，盡管已通過(guò)被動(dòng)分簇算法確定了通信網(wǎng)的漏洞弧段，并基于信息熵提取了節(jié)點(diǎn)流量數(shù)據(jù)的熵值特征，但這些特征數(shù)據(jù)仍需有效分類以精準(zhǔn)識(shí)別串口故障數(shù)據(jù)。因此，采用K?means聚類算法作為故障數(shù)據(jù)識(shí)別方法，該算法能無(wú)監(jiān)督地根據(jù)數(shù)據(jù)內(nèi)在特征自動(dòng)劃分聚類，以此對(duì)提取的熵值特征進(jìn)行聚類分析，以識(shí)別不同故障類型。將上文提取的漏洞弧段中串口通信網(wǎng)絡(luò)節(jié)點(diǎn)流量數(shù)據(jù)熵作為分類樣本，則分類樣本集合是：

[K=K′1，K′2，…，K′m] （5）

式中[m]代表樣本總數(shù)。聚類中心集合為[W=w1，w2，…，wm]。串口故障數(shù)據(jù)分類方法的分類步驟如下。

1） 將提取的漏洞弧段中節(jié)點(diǎn)流量數(shù)據(jù)熵值設(shè)置成完全圖的連接點(diǎn)，生成完全圖[FK=U，C，E]，[U]、[C]、[E]分別代表完全圖的頂點(diǎn)、邊、邊的權(quán)重。引入Kruskal 算法設(shè)計(jì)完全圖的最小生成樹(shù)，由此樹(shù)檢索云服務(wù)器通信串口流量數(shù)據(jù)熵樣本的關(guān)鍵點(diǎn)。先篩選漏洞弧段中云服務(wù)器通信串口流量數(shù)據(jù)熵關(guān)鍵點(diǎn)的候選點(diǎn)，運(yùn)算[FK]中全部邊的[E]，檢索[E]最小值所在邊的樣本點(diǎn)，若串口通信流量數(shù)據(jù)熵樣本點(diǎn)[ki∈K]、[kj∈K]都屬于權(quán)重最小邊上的點(diǎn)，則把[ki]、[kj]歸為集合[Uk]，把邊歸為集合[Ck]。[Uk]、[Ck]中存在所有的點(diǎn)和邊，[Ck]內(nèi)串口通信流量數(shù)據(jù)熵樣本點(diǎn)會(huì)結(jié)合邊權(quán)重?cái)?shù)值從大至小排列。

分析[Ck]，把權(quán)重最小的邊轉(zhuǎn)移至最小生成樹(shù)，如果轉(zhuǎn)移一條邊后最小生成樹(shù)生成回路，便可在邊集[Ck]、點(diǎn)集[Uk]中去除相應(yīng)的串口通信流量數(shù)據(jù)熵樣本點(diǎn)，最后生成最小生成樹(shù)[H=C1，C2，…，Ck]。使用最小生成樹(shù)逐層檢索距離最近的2個(gè)樣本點(diǎn)，2個(gè)點(diǎn)中心[L=dki，kj2]，[dki，kj]代表樣本點(diǎn)之間的歐氏距離。通過(guò)[L]取代2個(gè)樣本點(diǎn)的邊，然后將其設(shè)成父節(jié)點(diǎn)，更新[Uk]、[Ck]，[Uk]、[Ck]中數(shù)據(jù)均減少1。循環(huán)上述操作，當(dāng)最小生成樹(shù)僅存在[b]個(gè)連接點(diǎn)時(shí)，便可把最小生成樹(shù)剩下的連接點(diǎn)設(shè)成被動(dòng)分簇的初始聚類中心。

2） 把最小生成樹(shù)算法獲取的樣本點(diǎn)設(shè)成初始聚類中心[W=w1，w2，…，wm]，如果漏洞弧段中串口通信流量數(shù)據(jù)熵值樣本和聚類中心點(diǎn)的距離小于半徑[R]，便將此串口通信數(shù)據(jù)樣本分類至此聚類中心；反之大于半徑[R]，便把此串口通信數(shù)據(jù)熵值樣本和剩下聚類中心進(jìn)行對(duì)比。

3） 計(jì)算漏洞弧段中各節(jié)點(diǎn)流量數(shù)據(jù)熵樣本點(diǎn)的類內(nèi)距離[?]、類間距離[φ]，并提取距離比值[Q]。

[?=i=1vidwi，kivi] （6）

[φ=i=1m1m-1vidwi，ki] （7）

式中：[vi]代表漏洞弧段中，某類串口通信節(jié)點(diǎn)流量數(shù)據(jù)熵樣本的數(shù)量；[dwi，ki]代表串口通信節(jié)點(diǎn)流量數(shù)據(jù)熵樣本與聚類中心的歐氏距離。

[Q=?φ] （8）

如果[Q]大于閾值，便需要重新聚類。

漏洞弧段中，節(jié)點(diǎn)流量數(shù)據(jù)熵樣本聚類時(shí)，會(huì)出現(xiàn)邊緣值，樣本點(diǎn)處于交界處，此類樣本會(huì)出現(xiàn)難以識(shí)別的問(wèn)題。為此，引入余弦相似度，用于識(shí)別此類串口通信節(jié)點(diǎn)流量數(shù)據(jù)熵樣本。余弦相似度計(jì)算公式為：

[cosk，k=j=1mkjkjj=1mk2j·j=1mk2j] （9）

式中：[k]、[k]分別代表交界類內(nèi)通信節(jié)點(diǎn)流量數(shù)據(jù)熵樣本、交界處通信節(jié)點(diǎn)流量數(shù)據(jù)熵樣本。[k]將被劃分至余弦相似度數(shù)值最高的類內(nèi)。

2" 實(shí)驗(yàn)分析

為了驗(yàn)證被動(dòng)分簇下云服務(wù)器通信串口故障數(shù)據(jù)識(shí)別方法的識(shí)別性能，以基于云服務(wù)器的智能家居監(jiān)測(cè)系統(tǒng)作為測(cè)試系統(tǒng)，主要使用所提方法作為測(cè)試系統(tǒng)的故障數(shù)據(jù)檢測(cè)技術(shù)。此測(cè)試系統(tǒng)主要使用RS 485串口為通信總線，總線的主設(shè)備是ARM開(kāi)發(fā)板，且引入輪詢的模式實(shí)現(xiàn)每個(gè)接入模塊的傳感器狀態(tài)數(shù)據(jù)通信。傳感器接入模塊屬于RS 485串口的接入設(shè)備。接入檢測(cè)電路接入單片機(jī)的引腳，其功能是實(shí)現(xiàn)傳感器接入和移除管理。信號(hào)調(diào)理電路的功能是將傳感器發(fā)送信號(hào)和后端電路分離，并轉(zhuǎn)換成標(biāo)準(zhǔn)輸入信號(hào)。此系統(tǒng)主要使用RS 485串口來(lái)實(shí)現(xiàn)傳感器數(shù)據(jù)和云端服務(wù)器的遠(yuǎn)程通信。本文方法所識(shí)別的RS 485串口具體參數(shù)如表1所示。

為了設(shè)計(jì)故障數(shù)據(jù)，在基于云服務(wù)器的智能家居監(jiān)測(cè)系統(tǒng)運(yùn)行時(shí)，對(duì)通信網(wǎng)絡(luò)引入ARP欺騙式入侵行為，入侵目的是改變傳感器傳輸與云服務(wù)器數(shù)據(jù)包中的輪詢地址（監(jiān)測(cè)位置），從而影響系統(tǒng)對(duì)家居環(huán)境的監(jiān)測(cè)數(shù)據(jù)。設(shè)置2個(gè)傳感器的線程輪詢信息，如表2表示。將濕度傳感器線程1中輪詢地址的02刪除，加入入侵輪詢篡改數(shù)據(jù)；將溫度傳感器線程2中輪詢地址的03刪除，加入入侵輪詢篡改數(shù)據(jù)，以此構(gòu)建串口故障數(shù)據(jù)。串口故障數(shù)據(jù)詳情如表3所示。

ARP欺騙式入侵行為的入侵示意圖如圖3所示。

設(shè)置串口通信時(shí)，在輪詢周期為200 ms時(shí)基于正常數(shù)據(jù)，會(huì)出現(xiàn)500組故障數(shù)據(jù)，并持續(xù)到500 ms輪詢周期。所提方法對(duì)云服務(wù)器通信串口故障數(shù)據(jù)的識(shí)別結(jié)果如圖4所示。

由圖4可知，云服務(wù)器通信串口故障數(shù)據(jù)的識(shí)別結(jié)果與前提條件設(shè)定的正常數(shù)據(jù)、故障數(shù)據(jù)信息一致，說(shuō)明所提方法在云服務(wù)器通信串口故障數(shù)據(jù)識(shí)別中可用。

上述實(shí)驗(yàn)僅對(duì)ARP欺騙式入侵行為下的通信串口故障數(shù)據(jù)識(shí)別性能進(jìn)行測(cè)試，為深入測(cè)試所提方法對(duì)通信串口故障數(shù)據(jù)的識(shí)別能力，設(shè)置入侵行為：跨站攻擊、DDoS攻擊、CC攻擊。不同攻擊行為下通信串口數(shù)據(jù)詳情如表4所示。

基于表4所示數(shù)據(jù)，測(cè)試所提方法對(duì)云服務(wù)器通信故障數(shù)據(jù)識(shí)別后，識(shí)別結(jié)果和對(duì)應(yīng)故障類型的關(guān)聯(lián)度，數(shù)值較高，表示故障數(shù)據(jù)識(shí)別結(jié)果和對(duì)應(yīng)故障類型數(shù)據(jù)的匹配度較顯著，識(shí)別結(jié)果的可信度較顯著；反之，若關(guān)聯(lián)度數(shù)值較低，表示故障數(shù)據(jù)識(shí)別結(jié)果和對(duì)應(yīng)故障類型數(shù)據(jù)的匹配度較差。所提方法對(duì)表4中三種攻擊行為下通信串口數(shù)據(jù)中故障數(shù)據(jù)識(shí)別后，識(shí)別結(jié)果的關(guān)聯(lián)度測(cè)試結(jié)果如圖5所示。

根據(jù)圖5實(shí)驗(yàn)數(shù)據(jù)顯示，不同攻擊行為下通信串口數(shù)據(jù)中，故障數(shù)據(jù)識(shí)別結(jié)果關(guān)聯(lián)度均大于0.96，說(shuō)明故障數(shù)據(jù)識(shí)別結(jié)果和對(duì)應(yīng)故障類型數(shù)據(jù)的匹配度符合理想狀態(tài)，所提方法的適用性較好。

3" 結(jié)" 論

為了有效識(shí)別出串口通信故障數(shù)據(jù)，本文提出一種基于被動(dòng)分簇的云服務(wù)器通信串口故障數(shù)據(jù)識(shí)別方法。該方法結(jié)合了被動(dòng)分簇技術(shù)，在識(shí)別串口通信網(wǎng)絡(luò)漏洞弧段后，通過(guò)對(duì)云服務(wù)器通信串口數(shù)據(jù)進(jìn)行聚類分析，將具有相似特征的數(shù)據(jù)歸為一類，從而識(shí)別異常或故障數(shù)據(jù)類型。經(jīng)實(shí)驗(yàn)數(shù)據(jù)顯示，所提方法通過(guò)被動(dòng)分簇技術(shù)可以識(shí)別出串口故障數(shù)據(jù)。

參考文獻(xiàn)

[1] 程順達(dá).基于安全性驗(yàn)證的云數(shù)據(jù)存儲(chǔ)與訪問(wèn)算法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2023，45（5）：565?570.

[2] 魏立斐，王勤，張蕾，等.半可信云服務(wù)器輔助的高效隱私交集計(jì)算協(xié)議[J].軟件學(xué)報(bào)，2023，34（2）：932?944.

[3] 孟海寧，童新宇，石月開(kāi)，等.基于ARIMA?RNN組合模型的云服務(wù)器老化預(yù)測(cè)方法[J].通信學(xué)報(bào)，2021，42（1）：163?171.

[4] 朱圳，劉立芳，齊小剛.基于數(shù)據(jù)挖掘的通信網(wǎng)絡(luò)故障分類研究[J].智能系統(tǒng)學(xué)報(bào)，2022，17（6）：1228?1234.

[5] 劉芳，曹進(jìn)克.云服務(wù)器虛擬機(jī)通信串口數(shù)據(jù)安全性監(jiān)控仿真[J].計(jì)算機(jī)仿真，2023，40（8）：174?177.

[6] JMILA H， IBN K M. Adversarial machine learning for network intrusion detection： a comparative study [J]. Computer networks， 2022， 214： 1?14.

[7] MOIZUDDIN M D， JOSE M V. A bio?inspired hybrid deep learning model for network intrusion detection [J]. Knowledge?based systems， 2022， 238： 107894.1?107894.20.

[8] 賈珺，馮春燕，夏海輪，等.基于樣本均衡與特征交互的通信網(wǎng)絡(luò)故障預(yù)測(cè)方法[J].北京郵電大學(xué)學(xué)報(bào)，2021，44（6）：59?66.

[9] 鄭臣明，姚宣霞，周芳，等.基于硬件虛擬化的云服務(wù)器設(shè)計(jì)與實(shí)現(xiàn)[J].工程科學(xué)學(xué)報(bào)，2022，44（11）：1935?1945.

[10] 周由勝，陳律君.基于區(qū)塊鏈的細(xì)粒度云數(shù)據(jù)安全存儲(chǔ)與刪除方案[J].電子與信息學(xué)報(bào)，2021，43（7）：1856?1863.

[11] 王曉湘，劉洞天，劉南江，等.基于LSTM的震后通信數(shù)據(jù)異常檢測(cè)分析[J].中國(guó)地震，2022，38（2）：270?279.

[12] 盛忠明.地鐵列車FIP網(wǎng)絡(luò)通信故障起因判別及解決方法[J].城市軌道交通研究，2021，24（z1）：132?136.

[13] 王杰，周正江，朱小青，等.海上風(fēng)電機(jī)組與Scada系統(tǒng)間通信故障分析[J].船舶工程，2022，44（z2）：84?86.

[14] 譚艷嫻，程允麗，雷耀花.基于邊緣計(jì)算的人臉身份認(rèn)證系統(tǒng)中的隱私保護(hù)技術(shù)研究[J].電子設(shè)計(jì)工程，2024，32（16）：183?186.

作者簡(jiǎn)介：于艷朋（1987—），男，河南安陽(yáng)人，碩士研究生，講師，研究方向?yàn)橛?jì)算機(jī)應(yīng)用、計(jì)算機(jī)教育教學(xué)、計(jì)算機(jī)理論方向、軟件工程、數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)。

惠向暉（1980—），男，河南西華人，碩士研究生，副教授，研究方向?yàn)樵朴?jì)算、計(jì)算機(jī)應(yīng)用、智能機(jī)器人。