摘要
随着工业物联网（IIoT）的快速发展，其中的某些数据呈现出以下特点：数据量巨大、维度较高、存储在多个设备上且分布广泛，同时由于隐私保护问题，数据共享受到限制。这类数据对现有的数据处理方法构成了巨大挑战。为此，本文提出了一种具备隐私保护功能的智能分布式数据处理方法——I2DPM。该方法首先设计一种联邦特征整合器，在保障隐私的前提下提取分布式数据的整体特征子集。基于这些特征子集，构建了一个多目标特征选择模型，将特征数量、特征成本、交叉熵、准确率和召回率作为五个优化目标，这些目标反映了影响特征选择性能的关键因素。接着，开发了一种基于反馈的信息聚类多目标进化算法（MaOEA-IFC），通过结合前馈和反馈控制的理念来解决该模型，从而得到最优的特征子集。最后，将该算法与五种现有的先进方法在两个基准测试集中进行比较，以验证其获取可靠实验结果的能力，随后还在八个数据集上测试了我们的方法。大量的实验结果表明，MaOEA-IFC具有很强的竞争力，能够在保护数据隐私的前提下获得综合性能良好的特征子集。总之，本文为处理工业物联网中具有上述特点的数据提供了一种有效方法。
