工业物联网下基于迁移学习的安全数据融合方案

工业物联网（IIoT）作为新兴技术，可以促进工业智能化发展，提高生产效率，降低制造成本。 在工业物联网中，工业生产和应用的完善和进步离不开数据融合，数据融合是对工业设备和应用产生的海量物联网数据进行采集、分析和处理的过程。 IIoT 需要实时、有效且保护隐私的数据融合过程。 然而，现有的工作需要为数据分析训练不同的学习模型，不能满足 IIoT 中的实时性要求。 同时，缺乏对内部攻击的防御，难以平衡系统性能和隐私保护，阻碍了数据融合过程中的有效性和隐私保护。 为了解决上述问题，在本文中，我们为 IIoT 提出了一种新的基于迁移学习的安全数据融合策略 (TSDF)。 拟议的 TSDF 由三部分组成，用于任务分类的基于指导的深度确定性策略梯度 (GDDPG) 算法，用于任务接收者分组的基于转移学习的 GDDPG，以及用于隐私保护的多区块链机制。 实验结果表明，TSDF 可以实现高系统吞吐量和低延迟，为各种 IIoT 应用环境下的数据融合提供隐私保护。