Cost-Efficient and Trust-Aware Virtual Network Embedding for Dense Industrial IoT Systems Using Multiagent Systems
Notice bibliographique
Résumé
Network virtualization in wireless sensor networks (WSNs) enables the utilization of shared sensing capabilities in many industrial Internet of Things (IIoT) applications. Efficient assignment of WSN resources can be achieved through virtual network embedding (VNE) while considering the quality of information (QoI) (as the accuracy of sensing), the quality of service (QoS) (as the reliability), and wireless interference handling constraints. The more the virtual networks can be mapped onto the substrate network, the more revenue the infrastructure provider will acquire. Therefore improving the acceptance rate of VNE is essential. However, this may lead to occupying more network resources and links and increase the cost, especially in dense networks. On the other hand, the shared and complex nature of VNE exposes WSNs to security risks. In this paper, we develop a novel offline distributed trust-aware virtual wireless sensor networks (DTA-VWSN) algorithm to maximize the virtual networks acceptance rate while minimizing the cost. Our proposed algorithm considers the QoI, QoS, and security, by adding required trust level constraints to virtual nodes and links and trust level constraints to the substrate counterparts. Since centralized algorithms suffer from scalability issues, this paper presents our new approach to the virtual network embedding problem in a distributed manner. In this paper, we use the techniques of multiagent systems as a well-known approach for distributed systems to scale these algorithms to network size. Our DTA-VWSN algorithm achieves a high-quality sub-optimal solution in a short duration, enabling us to investigate the tradeoff between solution quality and search time. Our algorithm is also evaluated in large-scale network scenarios to verify all enforced limitations by the WSN substrate. Simulation results show that DTA-VWSN improves the virtual network acceptance ratio, cost, and execution time in large-scale substrate networks. For instance, in a scenario with 150 substrate nodes and 6 VNRs, the accuracy of DTA-VWSN compared with the optimal value in terms of the VNR acceptance rate and the cost is 91.6% and 94.5%, respectively, while the execution time is 68.35% faster.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».