Advancing Security and Trust in WSNs: A Federated Multi-Agent Deep Reinforcement Learning Approach
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) show significant potential through their ability to collect and analyze real-time data, notably enhancing various sectors. The new emerging security threats present a severe risk to the security and reliability of WSNs. Data-driven Artificial Intelligence (AI) leverages WSNs data to deal with new emerging threats like zero-day attacks. However, AI-based models suffer from poor adoption due to the lack of realistic/up-to-date attack data. Recently, Multi-Agent Deep Reinforcement Learning (MARL) has gained significant attention for enhancing Intrusion Detection Systems (IDS) capabilities. MARL offers improved flexibility, efficiency, and robustness. However, this requires data sharing, leading to network bandwidth consumption and slower training. Additionally, the curse of dimensionality hampers its benefits, given the exponential expansion of the state-action space. Privacy-aware collaborative methods such as Federated Learning (FL) emerge as a new approach, enabling decentralized model training across a network of devices while preserving the privacy of each participant. In this context, we introduce a novel framework (MAF-DRL) that leverages FL and MARL to efficiently detect WSN-based attacks. MAF-DRL enables distributed learning across multiple agents with adaptive, flexible, and robust attack detection. We also introduce a trust-based scheduling mechanism that dynamically allocates resources based on agent reliability. This trust-aware approach allows FL systems to adapt to changing network conditions and device behaviors. By prioritizing reliable devices, our method improves the energy efficiency of WSNs and enhances the resilience and effectiveness of the distributed FL paradigm. Finally, we assess the robustness of our framework by testing it against real-world WSN attacks. This evaluation demonstrates its efficiency for secure and communication-efficient federated edge learning across various agents.
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 | 0,001 |
| 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