Classification par machine à vecteurs de support préservant la confidentialité dans les réseaux sans fil.

L'importance croissante des réseaux de capteurs sans fil (WSN) suscite un intérêt accru pour le développement de nombreux domaines d'application. Les WSN promettent des solutions viables visant à résoudre de nombreux problèmes de surveillance malgré les contraintes d'énergie, de communication, de calcul et de stockage. Les questions de sécurité, de confidentialité et d'intégrité des données deviennent vitales lorsque les capteurs sont déployés dans un environnement hostile. La classification par machines à vecteurs de support (SVM) est l'une des classifications les plus largement utilisées. Elle présente l'avantage de la précision et de la représentation éparse que les SVM fournissent pour les frontières de décision. Il est important de réaliser une exploration de données économe en énergie dans les WSN tout en préservant la confidentialité des données. Dans cette thèse, nous introduisons la classification SVM pour les WSN, en tenant compte de l'avantage de l'efficacité énergétique par l'apprentissage incrémental distribué pour la formation et la construction d'un modèle de classification SVM global sans divulguer les données aux autres. Nous montrons l'analyse de sécurité et l'estimation de l'énergie pour préserver la confidentialité et l'efficacité énergétique dans les WSN en utilisant le SVM.