Enhancing Source Location Privacy in UASNs: A Multi-Armed Bandit and Pseudopacket Scheduling Approach
Notice bibliographique
Résumé
Underwater Acoustic Sensor Networks (UASNs) have garnered significant interest over recent decades, yet they continue to confront substantial challenges concerning security and privacy. The inherent openness of acoustic communication in such networks introduces profound risks to node privacy and overall network security. External attackers are capable of retracing data streams to identify the source node, thus jeopardizing the confidentiality of the data origin. Notably, the subtleties of passive attacks in UASNs render them more elusive compared to active attacks. Furthermore, conventional research often fails to reconcile security needs with energy efficiency. Addressing these concerns, this paper concentrates on mitigating passive attacks in UASNs while striving to harmonize security with network performance. We introduce a Source Location Privacy Scheme based on the Multi-Armed Bandit and Pseudo-packet Scheduling for UASNs (MP-SLP). The methodology commences with the sink node executing geographic data acquisition and neighbor node identification using a flood-based technique. Subsequently, through a Multi-Armed Bandit (MAB) framework, the source node designates an intermediate node for data packet transmission. The sink node then employs a location-aware opportunistic routing strategy to establish authentic routes that combine both randomness and reduced energy consumption for the transmission of actual packets. Alongside, branch nodes implement a pseudopacket scheduling tactic aimed at obstructing adversarial efforts to track source locations. Simulation results demonstrate that the proposed scheme proficiently moderates additional energy consumption, maintaining them within acceptable limits, while safeguarding location privacy.
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 | 0,000 | 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 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 ».