Evaluating the Trade-offs between Wireless Security and Performance in IoT Networks: A Case Study of Web Applications in AI-Driven Home Appliances
Notice bibliographique
Résumé
The integration of the Internet of Things (IoT) with artificial intelligence (AI) is transforming home appliances into smarter, more responsive tools that enhance daily living. However, this technological fusion introduces significant security challenges, necessitating a careful balance between security and performance within IoT networks. First, the study answers the question of the trade-offs between security measures and performance metrics in web applications for AI-driven home appliances, and second, how can these trade-offs be optimized to ensure both robust security and high system performance? Using qualitative content analysis, the study identified key security flaws in web application architectures, while quantitative analysis assessed the impact of security protocols on system performance metrics such as latency, throughput, and CPU usage. Atlas.ti and Cisco’s Packet Tracer were utilized for thematic coding and network simulation, respectively, and multivariate regression analysis quantified the influences of security protocols. The results revealed that enhanced security protocols, such as encryption and authentication, significantly impact performance, with encryption increasing latency by an average of 50 milliseconds and reducing throughput by 10% under peak loads. Additionally, CPU usage increased by up to 75% in high-threat scenarios. The proposed security-performance optimization framework dynamically adjusts security measures based on current threat assessments and operational demands, aiming to sustain high performance while ensuring robust security. These findings have real-world applications in the design and implementation of AI-driven home appliances, offering a roadmap for manufacturers to enhance device security without compromising performance. By adopting adaptive security measures and leveraging edge computing, the framework can improve user satisfaction and trust in smart home technologies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».