A Novel CNN Model with Dimensionality Reduction for WSN Intrusion Detection
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
Wireless sensor networks (WSNs) play a critical role in cyber-physical systems, enabling communication between autonomous sensors.When integrated with the Internet of Things (IoT), WSNs unfortunately become vulnerable to various attacks, such as blackhole, grayhole, flooding, and scheduling, thereby posing significant security threats.Existing methods for intrusion detection in WSNs often suffer from low detection rates, significant computational overhead, and false alarms, primarily due to resource constraints and data correlations.This study introduces IDS-CNN, a novel intrusion detection method leveraging Convolutional Neural Networks (CNNs).The proposed IDS-CNN model, designed to optimize efficiency and reduce processing time, comprises nine convolutional neural network layers and six Max-Pooling1D layers.To alleviate computational demands, dimensionality reduction techniques, specifically Principal Component Analysis and Singular Value Decomposition, are applied to raw traffic data.The IDS-CNN model is then employed to classify and categorize network threats.Experimental evaluations suggest that the IDS-CNN approach yields a high accuracy rate of 99% compared to existing methods, based on tests performed on two datasets, WSN-DS and UNSW-NB15.Notably, with the UNSW-NB15 dataset, accuracy rates were further improved to 99.99% and 100%.By leveraging deep learning techniques to enhance intrusion detection in WSNs, this study presents a significant contribution to the field.The IDS-CNN model advances our understanding of WSN security by exceeding the accuracy rates of prior models.As it addresses the limitations of existing methods, the implications of this research are substantial, offering a more reliable and efficient solution for WSN intrusion detection.The findings underscore the potential of IDS-CNN in safeguarding WSNs and IoT systems from sophisticated and evolving cyber threats.
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 | 0,000 | 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 | 0,000 |
| 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 découle