MétaCan
Menu
Retour à la cohorte
Enregistrement W4200125598 · doi:10.1109/mce.2021.3139169

A Secure Multilayer Architecture for Software-Defined Space Information Networks

2021· article· en· W4200125598 sur OpenAlexaff
Himanshi Babbar, Shalli Rani, Sahil Garg, Georges Kaddoum, Md. Jalil Piran, M. Shamim Hossain

Notice bibliographique

RevueIEEE Consumer Electronics Magazine · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesKing Saud University
Mots-clésComputer scienceSoftware-defined networkingArchitectureContext (archaeology)SoftwareNetwork architectureSoftware architectureComputer networkDatabase-centric architectureDistributed computingApplications architectureComputer securityOperating system

Résumé

récupéré en direct d'OpenAlex

Both space information networks (SINs) and software-defined networking (SDN) have gained considerable attention from industry and academia in recent years. Due to the unique characteristics of SDN and SINs, a hybrid version of them, e.g., software-defined SINs, can handle many complicated tasks. Some technological advances based on SDN are increasingly being deployed to satellite networks. In this context, the multilayer architecture makes it difficult to control the different physical devices with maximum network performance for vast volumes of traffic transmission. The multilayer architecture is considered to be a versatile framework to include different applications and facilities efficiently, while it enjoys the support of SDN as well. In this context, this article proposes a secure multilayer SDN architecture that separates the paradigm into terrestrial, aerial, and ground domains and facilitates security solutions. We explore the specifics of this architecture's development and implementation, hence finding out some problems and unanswered questions. In addition, our descriptive results demonstrate that the proposed architecture will significantly improve the multilayer efficiency gains of configuration upgrading and decision-making.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,008
Tête enseignante GPT0,224
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Consumer Electronics MagazineMême sujetSoftware-Defined Networks and 5GTravaux en français237 207