Secure Route Detection with Multi Level Trust Evaluation Model Using Replicated Auditor Node for Extended Packet Delivery Rate in WSN
Notice bibliographique
Résumé
Wireless sensor networks (WSNs) are designed to monitor their surroundings, an application that has been leveraged significantly by advances in the Internet of Things (IoT).However, the susceptibility of wireless systems to errors and malicious attacks remains a challenge.Identity deception, particularly, has emerged as a significant issue, exacerbated by the redundancy of multi-hop routing, leading to potentially damaging attacks on routing protocols.Routing, the method employed in WSNs to disseminate data to base stations, has recently seen the incorporation of trust mechanisms to enhance security and foster cooperation among nodes.Routing decisions are made based on the anticipated trustworthiness of individual nodes.Considering the vulnerability of WSNs to various attacks, secure routing is of paramount importance.In this research, we propose a Multi-Level Trust Evaluation Model using Replicated Auditor Node (MLTEM-RAN) for secure route detection.This model aims at maximizing the packet delivery rate.It takes into account information about each relay node along the path, including the trust value and the current condition of each node.The trust value of a node is defined as the attack probability of the node, which is based on historical behaviors.The node's status, on the other hand, is a composite measure that considers both the node's remaining energy and its distance to the sink node.When compared with existing models, the proposed MLTEM-RAN model demonstrates superior performance in terms of packet delivery rate.This study thus represents a significant step forward in the development of secure and efficient routing strategies for WSNs.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 ».