Heuristic and reinforcement learning-based survivable trust-aware virtual network embedding for IoT networks
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.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».