MétaCan
Menu
Retour à la cohorte
Enregistrement W4404650087 · doi:10.1016/j.aej.2024.10.078

A blockchain-based secure path planning in UAVs communication network

2024· article· en· W4404650087 sur OpenAlexaff
Shubhani Aggarwal, Ishan Budhiraja, Sahil Garg, Georges Kaddoum, Bong Jun Choi, M. Shamim Hossain

Notice bibliographique

RevueAlexandria Engineering Journal · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesMinistry of Science and ICT, South KoreaKing Saud University
Mots-clésBlockchainPath (computing)Computer scienceComputer networkDistributed computingComputer security

Résumé

récupéré en direct d'OpenAlex

Unmanned aerial vehicles (UAVs) are one of the most popular and effective systems in various industrial applications such as surveillance, security, and infrastructure inspection. It is gradually becoming an essential part of navigation as a consequence of high progress in military and civilian missions. Path planning of UAVs in military and civilian missions or in unknown and restricted environments is one of the biggest problems facing the operation of UAVs. This problem is not only searching for a path from an initial point to the final but also linked to find an optimal among all possible paths and provides collision avoidance. By examining the best path for UAVs, there is a need for the consideration of various other issues such as security and privacy, turning angle, overtake speed of obstacle, etc. The fundamental problem of UAVs is finding an optimal and secure route in a challenging environment. To overcome these challenges, many researchers have used optimization techniques such as ant colony, particle swarm, artificial bee colony, etc. with planning and coordination. In this paper, a blockchain-based solution is used to secure and authenticate UAVs. Hence, we propose a blockchain-based method that uses a genetic algorithm, which solves both constrained and unconstrained optimization problems. The purpose of this technique is to locate the best possible flight path for the UAVs in a three-dimensional setting. In a genetic algorithm, each iteration is designed to surpass the previous one in terms of improvement. To achieve an ideal route, solving the travelling salesman problem is a crucial step in the proposed approach. Consequently, the blockchain technology offers a reliable wireless communication and a dependable network for UAVs path planning, guaranteeing efficient service. Simulation results demonstrate the impact of the proposed scheme. They show that a genetic algorithm is suitable for optimal path planning for UAVs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,200
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAlexandria Engineering JournalMême sujetUAV Applications and OptimizationTravaux en français237 207