Fortifying the Connection: Cybersecurity Tactics for WSN-Driven Smart Manufacturing in the Era of Industry 5.0
Notice bibliographique
Résumé
Wireless Sensor Network (WSN)-based manufacturing facilities in the context of the Fourth Industrial Revolution (Industry 5.0) represent advanced Cyber-Physical Production Systems (CPPSs), wherein seamless networking of people, objects, and machines is achieved across the entire supply chain. A significant advantage of such digitization is the facilitation of personalized and agile manufacturing processes. However, this interconnectedness introduces a spectrum of novel threat vectors, enabling sophisticated Distributed Denial-of-Service (DDoS) attacks. One critical vulnerability lies in the Internet of Things (IoT) sensor nodes. These IoT devices, now extensively utilized for sensing, data acquisition, analysis, and communication within manufacturing environments, have concomitantly escalated the risk of cyber threats. To counteract these threats, advanced intrusion detection systems leveraging deep learning algorithms have emerged as scalable and intelligent solutions for safeguarding industrial IoT and WSN infrastructures. This paper introduces a hybrid Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) model tailored for cybersecurity attack detection in industrial IoT environments, specifically within WSN-based smart manufacturing contexts. The proposed CNN-LSTM model exhibits superior efficacy in identifying DDoS attacks within Industry 5.0 CPS environments, surpassing conventional Artificial Neural Network (ANN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU) models in terms of accuracy, precision, recall, and F1-score. Utilizing real-world network traffic datasets, the developed deep learning-based network anomaly detection system enhances the capability to detect and mitigate cyber threats, thereby reinforcing the security and resilience of smart manufacturing systems. The practical benefits of this enhanced cyberattack detection system include improved operational reliability, reduced downtime, and the protection of critical assets in real-world smart manufacturing settings.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,006 | 0,001 |
| 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 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 ».