Black-Hole Attack Mitigation in Medical Sensor Networks Using the Enhanced Gravitational Search Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In today’s world, one of the most severe attacks that wireless sensor networks (WSNs) face is a Black-Hole (BH) attack which is a type of Denial of Service (DoS) attack. This attack blocks data and injects infected programs into a set of sensors in a group to capture packets before reached to the target. Therefore, raw data in the BH region is thwarted and is unable to reach its destination. The network is susceptible to various types of attacks as it is accessible to all types of users and minimizing the energy depletion without compromising the network lifetime is an NP-hard problem. Even though numerous protocols came into effect to overcome the BH attack and to enhance the security of packet delivery in WSNs, Simulated Annealing Black-hole attack Detection (SABD) based Enhanced Gravitational Search Algorithm (EGSA) is yet another implemented strategy to reduce the BH attacks. EGSA-SABD detects and isolates the BH infectors in WSNs. Initially, sensor nodes are hierarchically clustered using similar residual energy to reduce energy consumption. Then, the BH attack possibility in a deployed node is evaluated to find the existence of BH nodes in the region. In the end, EGSA-SABD is employed to detect and quarantine BH attackers in WSNs. The performance of EGSA-SABD is evaluated with certain metrics such as BH attack detection probability rate (BHatt_Prate), energy consumption (E c ), Duration of BH attack detection (Attduration), Packet delivery ratio (P dr ). Based on the experimental observations, the EGSA-SABD outperforms the BHatt_Prate by 13% and also reduces the energy consumption by 21%.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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