智能环境传统的规则推理机制中，网关内布置的推理机从各种传感器中获取推理所需数据并与规则库相匹配，承担整个推理工作.本文利用Rete算法将规则构建为推理网络，并结合雾计算的概念将Rete推理节点分配至环境内配置的智能节点中协同推理以减轻网关负载，由此推理节点的分配成为关键，分配不合理将导致资源利用不平衡及响应延迟.本文利用活动影响下规则触发的规律设计了活动聚类算法CoA（Clustering of Activities）对活动聚类后分别建立其推理网络，计算出智能节点之间的最短路径后将结果代入针对其层次延迟性而设计的分配算法AAoRN（Allocation Algorithm of Rete Inference Nodes），从而将推理节点最优分配至各个智能节点.理论分析和实验结果表明，本文机制在有效利用智能节点资源的同时降低了大致55%的延迟.
本文提出了一种新的带有同步化特征选择的聚类算法，称为"具有同步化特征选择的迭代紧凑非平行支持向量聚类算法"（IT-NHSVC-SFS）.在具有两个非平行超平面的学习模型中使用迭代（交替）优化算法完成聚类，同时引入两种类型的正则项，分别是欧几里得范数和无穷范数，欧几里得范数用于提升聚类模型的泛化能力，无穷范数实际上是对两个非平行超平面进行同步化地隐式特征抽取，从而降低来自于不相关特征的聚类噪音，保证了模型的聚类精度，并引入一组束缚变量（bounding variables）避免无穷范数的最大化操作，将非凸优化问题转化成二次凸优化问题.同时，由于新提出的模型体现着"最大间隔"的思想，因此具有良好的泛化能力.为了方便实现两个非平行超平面同步化的特征选择过程，文中将非平行超平面SVM（Nonparallel Hyperplane SVM，NHSVM）作为IT-NHSVC-SFS算法的基础模型，因此和TWSVM以及它的变体模型不同的是：只需要求解一个二次规划问题（QP问题）就可以同时得到两个最优超平面.同时，新算法在原有的NHSVM模型的约束条件集合中新添加了两组等式约束条件，从而无需进行原有模型中的两个大矩阵的求逆操作，降低了计算复杂度.此外，在IT-NHSVC-SFS模型中，用拉普拉斯损失函数（Laplacian loss measure）代替了NHSVM模型原有的铰链损失函数（hinge loss function），避免了算法早熟收敛（premature convergence）.在一组标准数据集上的数值实验结果表明，相对于其他已有的聚类算法，IT-NHSVC-SFS算法在聚类精度方面具有更好的表现.
基于差分隐私的时间序列模式挖掘方法中，序列的最大长度以及添加拉普拉斯噪声的多少直接制约着挖掘结果的可用性.针对现有时间序列模式挖掘方法全局敏感度过高、挖掘结果可用性较低的不足问题，提出了一种基于序列格的差分隐私下时间序列模式挖掘方法PrivTSM（Differentially Private Time Series Pattern Mining）.该方法首先利用最长路径的策略对原始数据库进行截断处理；在此基础上，采用表连接操作生成满足差分隐私的序列格；结合序列格结构本身的特性，合理分配隐私预算，提高输出模式的可用性.理论分析表明PrivTSM方法满足ε-差分隐私，基于真实数据库上实验结果表明，PrivTSM方法的准确率TPR（True Postive Rate）和平均相对误差ARE（Average Relative Error）明显优于N-gram和Prefix-Hybrid方法.
在云存储环境下，云数据采用多副本存储已经成为一种流行的应用.针对恶意云服务提供商威胁云副本数据安全问题，提出一种基于DDCT（Dynamic Divide and Conquer Table）表的多副本完整性审计方案.首先引入DDCT表来解决数据动态操作问题，同时表中存储副本数据的块号、版本号和时间戳等信息；接下来为抵制恶意云服务商攻击，设计一种基于时间戳的副本数据签名认证算法；其次提出了包括区块头和区块体的副本区块概念，区块头存储副本数据基于时间戳识别认证的签名信息，区块体存放加密的副本数据；最后委托第三方审计机构采用基于副本时间戳的签名认证算法来审计云端多副本数据的完整性.通过安全性分析和实验对比，本方案不仅有效的防范恶意存储节点之间的攻击，而且还能防止多副本数据泄露给第三方审计机构.
