大数据云计算环境下的数据安全

本文通过对当前网络环境的安全分析,研究了大数据云计算机的优势,在此基础上探讨了大数据云计算环境下数据安全的重要性和数据安全问题及解决对策。     

浅谈大数据云计算环境下的数据安全

在科技快速发展的进程中,中国的经济已经进入到与国际迅速接轨的阶段,数据化经济发展的速度极快,并已经开始进入到云计算的洪流之中。现代互联网的发展使得人们的生活方式产生了显著的改变,互联网技术已经非常快捷地改变了人们的生活方式,在改变人们生活方式的同时,也带来了一些信息泄露的隐患。为了使人们的隐私不被窃取,就必须要有多种多样的数据安全保护措施来帮助杜绝隐私的泄露,维护数据安全,从而能够让互联网更好地为人民服务[1]。     

基于云计算环境的数据挖掘算法研究

本文将介绍K-means算法的一般执行流程、云环境下K-means算法的实现、以及云环境下K-means算法的改进方法,还将从云计算环境下的数据挖掘算法、数据存储和管理技术、数据预处理技术、分类、聚类、关联规则挖掘和时序数据挖掘算法等方面进行探讨。     

云计算环境下数据安全防护探讨

随着科学技术的不断发展,很多企业和个人都开始使用云计算,数据的安全问题开始被越来越多的人关注。为了提升云计算环境的安全性能,保护用户的数据安全,需要对云计算环境的数据进行进一步的完善,通过设置密钥的方式保证信息不被泄露。文章主要阐述云计算的安全现状,分析云计算环境下数据的安全问题,并为云计算环境下如何提高数据安全提供策略。     

云计算环境下海量数据高效调度模型仿真

在云计算环境下海量数据调度的过程中,数据节点的利用存在较强的随机性.传统调度方法容易造成数据节点冲突,从而导致调度效率降低.提出基于数据节点冲突避免的云计算环境下海量数据高效调度方法.将整个调度任务划分成多个子任务,计算每个子任务任务量,根据目标数据在数据节点的传输情况,对数据节点的任务量进行计算,根据计算结果,建立优化的云计算环境下海量数据调度模型.实验结果表明,利用改进算法进行云计算环境下海量数据调度,能够有效提高调度的效率,避免了数据发生冲突的情况.     

云计算环境下网络安全问题探究

云计算的出现引领了信息技术的又一次革命,它提高了网络服务的便利性,实现了低成本、规模化的信息服务,但是在云计算应用过程中,信息安全问题也是不得不正视的重要因素。本文针对云计算环境下的网络安全问题展开讨论,阐述云计算的相关概念与特征,分析云计算环境下所面临的网络安全问题,并提出这些问题的优化策略。     

刍议云计算环境下的数据安全

基于互联网技术的基础上出现了云计算,其主要功能就是提供方便快捷的互联网服务技术、安全可靠的数据存储以及超强的计算能力。但由于技术上的缺失,如何保证数据的安全,成为云计算的一大难题。本文将就这一问题进行探讨,找出解决数据安全问题的有效方法。     

云计算环境下数据安全防护探讨

近年来,随着云计算技术的发展,越来越多的企业和个人用户开始使用云计算。但是随着云计算中企业和用户的信息增多,人们开始担心他们的数据在云计算环境中是否安全。为了提升云计算环境中数据的安全性,保护用户的隐私,本文从云计算环境中的数据创建、存储、使用、共享、归档、销毁六个阶段生命周期的角度探讨了云计算环境中数据面临的安全威胁,并给出了提升数据安全的几点建议。     

探讨云计算环境下的数据安全

在互联网技术的基础上出现了云计算,其主要功能就是提供方便快捷的互联网服务技术、安全可靠的数据存储以及超强的计算能力,但由于技术上的缺失,如何保证数据的安全,成为云计算的一大难题.本文将就这一问题进行探讨,找出解决数据安全问题的有效方法.     

大数据云计算环境下的数据安全分析

和传统技术和数据计划进行比较,大数据云技术属于新时代的产物,主要负责处理数据.大数据云计算的工作效率比较高,并且具有很大的容量,通常都是在硬件资料虚拟化处理和储藏等方面进行利用.中国科学水平不断提高,开始在数据处理和储存等方面广泛地应用大数据云计算.但是大数据云计算在实际应用过程中仍旧存在一些问题,影响到大数据的实际发展.本文主要论述了大数据云计算环境下的数据安全,主要为了提高大数据云计算的数据安全性.     

基于云计算环境下的数据安全保护技术分析

文中主要以目前云计算环境下数据安全现状为切入点,通过基于虚拟化架构的可信云计算平台、数据备份策略及基于矩阵乱序的数据部分加密方案措施探讨安全保护技术,研究结果显示用户数据安全相当于以往提升至70％,安全系数的增长说明本文研究的数据安全保护技术方案完全可行.尤其虚拟化架构的可信云计算平台在建立用户与虚拟机关联后,仅使用数字信封便能封存虚拟机,用户访问或使用资源时通过PKI中间件使用用户的私钥解密虚拟机中的数字信封,最大程度保证数据完整性和安全性.     

云计算环境下数据存储安全的关键技术研究

随着信息技术的不断发展,为提高网络资源的利用率,用户之间存在资源共用的现象。由于云计算具有分布式的特质,网络数据的安全问题成为当前云计算服务面临的挑战也是亟待解决的问题。文章对云计算和云存储进行简要概述,分析出基于云计算的数据存储安全策略,以提高数据存储的安全性和可用性。     

云计算环境下数据存储安全的关键技术研究

云计算能够在网络中进行数据存储,使个人和企业能够依据自身的需求,更加便捷和快速地查找和存储信息。不过,尽管云计算具有很多的优点,其在数据安全方面却存在着巨大的隐患。文章分析了云计算的概念,并研究了云计算环境下数据存储安全的关键技术。     

网络安全技术在云计算环境下的探讨

云计算除了能对数据进行处理之外,还可以为其给予安全且可靠的信息服务,同时它还具备灵活、扩展性能佳的存储模式。这一系列的优势让它逐渐成为应用极广泛的计算机技术。大部分数据信息与软件在云计算环境下均被移至网络服务供应商的虚拟网络服务器中。云计算的出现为各大网络用户带来了非常便捷服务,但是也为其带来了一些安全技术挑战。文章主要根据当前云计算的环境对网络安全技术进行分析,并对云计算环境下如何提升网络安全性加以探讨。     

云计算环境下的网络安全策略

随着计算机信息技术的飞速发展,云计算技术在互联网领域得到了十分广泛的应用,云计算环境下的网络安全问题也到人们的关注。本文根据笔者对网络安全问题的理解,探讨了云计算环境下的网络安全策略。     

基于数据挖掘技术的云环境服务分类算法

为了提高Web服务的分类效果,提出了一种基于数据挖掘技术的云环境Web服务分类算法.首先提取服务特征向量,并进行相应预处理得到服务特征向量集,然后采用最小二乘支持向量机训练特征向量集,并采用萤火虫算法优化最小二乘支持向量机参数,建立最优的服务分类模型,最后采用标准数据进行仿真实验,对本文算法性能进行测试.仿真实验结果表明,相对于其它Web服务分类算法,本文算法不仅提高了Web服务分类的精度,而且提高了Web服务分类效率.     

面向云计算环境下Web数据挖掘技术

在云计算环境下,Web数据挖掘技术得到了快速发展.由于云计算的应用,Web数据挖掘体系已体现出新的特点.分析云计算环境下Web数据挖掘技术的特点,可以明确应用要点,可以实现云计算在数据存储中的突破,实现存储的能力与安全性的提高.从海量数据中高效挖掘有价值的资源,属于信息技术要解决的关键问题.云计算技术支持下的数据挖掘实...     

云计算环境下的计算机网络安全问题分析

文章通过对云计算网络中存在的安全的特征进行分析,探究了云计算网络安全存在的问题,并指出相对应用的措施。     

UFKLDA: An unsupervised feature extraction algorithm for anomaly detection under cloud environment

In a cloud environment, performance degradation, or even downtime, of virtual machines (VMs) usually appears gradually along with anomalous states of VMs. To better characterize the state of a VM, all possible performance metrics are collected. For such high‐dimensional datasets, this article proposes a feature extraction algorithm based on unsupervised fuzzy linear discriminant analysis with kernel (UFKLDA). By introducing the kernel method, UFKLDA can not only effectively deal with non‐Gaussian datasets but also implement nonlinear feature extraction. Two sets of experiments were undertaken. In discriminability experiments, this article introduces quantitative criteria to measure discriminability among all classes of samples. The results show that UFKLDA improves discriminability compared with other popular feature extraction algorithms. In detection accuracy experiments, this article computes accuracy measures of an anomaly detection algorithm (i.e., C‐SVM) on the original performance metrics and extracted features. The results show that anomaly detection with features extracted by UFKLDA improves the accuracy of detection in terms of sensitivity and specificity.