An Adaptive QoS and Trust-Based Lightweight Secure Routing Algorithm for WSNs
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
The limited resources and low computational power of wireless sensor networks (WSNs) make them vulnerable to various security attacks. Conventional security mechanisms require too many resources to allow the reliable operation of WSNs due to their resource-constrained nature. In addition, multihop communication in WSNs creates a requirement for guaranteed Quality of Service (QoS). Therefore, providing security while maintaining QoS and energy efficiency in WSNs are important design considerations. To further increase the performance of WSNs, there is a need to overcome the energy-hole problem, which leads to poor coverage of the field of interest. An energy-hole problem is created because of using poor deployment strategies. In this article, we define a multiobjective WSN optimization problem and present a novel algorithm known as lightweight secure routing (LSR) to manage WSNs that directly addresses the multiobjective WSN optimization problem. Our LSR algorithm uses ant colony optimization (ACO), an adaptive security model based on direct and indirect trust calculations, an adaptive QoS model, a hybrid deployment model based on 2-D Gaussian and uniform distributions, and an adaptive connectivity model that uses an appropriate communicational radius to ensure high connectivity between sensor nodes to solve the multiobjective WSN optimization problem. We divide our simulation results into three analyses, namely, trust model analysis, network scalability analysis, and security risk analysis to show that LSR outperforms the existing techniques in terms of energy consumed to calculate trust values, trust values convergence, network lifetime, average routing delay, and packet delivery ratio.
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 | 0,001 | 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 | 0,000 |
| 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