Heuristic and reinforcement learning-based survivable trust-aware virtual network embedding for IoT networks
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
Integrating virtual wireless sensor networks (VWSNs) with the Internet of Things (IoT) improves the quality of information (QoI) and quality of service (QoS). It manages wireless interference, critical to providing efficient and reliable services. Among the challenges in IoT-WSN virtualization, the survivable virtual network embedding (SVNE) problem stands out, as it efficiently maps a virtual network request (VNR) onto a WSN substrate while considering potential substrate failures and network security standards. This paper proposes a trust-aware fault recovery mechanism to address the security and survivability of virtualized IoT-WSN applications against physical infrastructure failures with two heuristic and intelligent approaches. Our proposed heuristic approach utilizes a node importance measurement strategy for faulty nodes based on the technique for order of preference by similarity to the ideal solution (TOPSIS) method. On the other hand, in our intelligent approach, we apply the deep Q-Learning (DQL) method to ensure end-to-end failure recovery for both nodes and links and improve physical resource utilization. To maintain cost efficiency, when a VNR experiences failure due to a fault in the physical infrastructure, its operation is restored through node/link migration without considering any backup resources. Our simulation results demonstrate that the proposed strategy effectively ensures the survivability of the VNRs, mitigates failures with our proposed failure recovery algorithms, and enhances the VNR acceptance rate.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 découle