Year: 2025
Type: article
Abstract: 针对物联网隐私检测中边缘设备资源受限、新型隐私泄露泛化检测能力不足及精度与效率难以平衡三大挑战，本文提出基于并行深度神经网络的物联网边缘侧隐私数据检测系统（PDNN-PDE）。该系统首先通过轻量级多模态数据编码器，高效处理图像、时序传感器信号及日志文本等异构数据；再依托并行深度神经网络隐私检测引擎，在边缘侧设备实现多模态隐私数据的分布式实时检测；同时基于云-边协同的动态增量学习算法，周期性更新模型以增强对新型隐私泄露模式的泛化检测能力。实验结果表明：PDNN-PDE 检测精度较单模态轻量模型平均提升3.6%；融合模态在检测精度仅降低0.7% 的情况下，内存占用较现有专用模型减少76%，推理延迟减少21.3%；在新型泄露模式自适应方面，经70轮增量学习后模型准确率恢复至89%，较静态模型提升约44%。上述结果证明 PDNN-PDE 可在资源受限物联网边缘环境中实现高效鲁棒且自适应的隐私数据检测。
Source: Scientia Sinica Informationis
Authors: Shaopeng ZHOU, Bin WANG, Chaohao LI, Zhengyan ZHOU, Feng ZHANG, Chunming WU
Institutions: Zhejiang University, Xidian University
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: bronze
OpenAlex ID: W4413994448