Node Embedding for Security-Aware Clustering of Mobile Information-Centric Sensor Networks
Notice bibliographique
Résumé
In cluster-based information-centric wireless sensor networks (ICWSNs), mobile sensor nodes are grouped into clusters in rounds. In each cluster, a cluster head (CH) is selected, which collects, aggregates, and forwards locally sensed data to a sink node. CHs further store a copy of data for the round period to act as cache nodes and deliver data to mobile users upon requests. Nevertheless, clustering and securing mobile ICWSNs are challenging. This is because, in addition to sensor nodes’ and users’ mobility, sensor nodes are often resource constrained. Therefore, clustering and security resource allocation in mobile ICWSNs should be carefully redesigned to ensure efficient ICWSN operation, data security, and timely data access to mobile users. This article proposes a node embedding with security resource allocation (NESRA) clustering algorithm for mobile ICWSNs in rounds. NESRA allocates security resources to sensor nodes based on the location, mobility, and energy resources available in the first step. An optimization problem is formulated to select CHs that maximize network coverage and minimize data delivery delay to mobile users in the second step. In the third step, NESRA utilizes network representation learning that embeds sensor nodes’ location, mobility, and expected energy expenditure features into a 2-D space to form well-separated clusters of sensing nodes. Compared to existing works, NESRA achieves lower energy consumption, nodes’ death rate, and latency and allows higher throughput and cache nodes’ utilization with stable data security. Still, NESRA has some challenges to overcome in high-mobility networks.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».