Resource Based Attacks Security Using RPL Protocol in Internet of Things
Notice bibliographique
Résumé
The (IETF) shaped the Protocol for low-power lossy networks, which is now known as the LLN routing protocol (RPL) by taking into consideration different circumstances of restricted networks. This protocol was designed to promote the use of numerous direction-finding topologies recognized as DODAGs, which remained developed below a variety of dissimilar goal purposes to enhance routing via the use of various routing techniques. Because there were billions of devices that were linked all over the globe, security is a significant issue when routing in Internet of Things devices, and many assaults take occur throughout the routing process. While routing, a variety of assaults may occur, some targeting network architecture, others targeting network traffic, and still others targeting network resources. This paper investigates resource-based dos attack, which are designed to consume node energy, memory, by forcing hostile nodes to undertake unnecessary processing activities, as well as processing power. These attacks also have an impact on network accessibility and the lifetime of the configuration, as well as on the accessibility of the network. Following up and monitoring each node, these allied nodes use the suggested restrictions to not only identify resource assaults in RPL, but also to update the root node's information about the malevolent bulge in instruction to eliminate it from the DODAG network. The suggested model's results are compared to that of prior attack detection replicas in relationships of system of measurement such as packet drop, final latency, and throughput.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».