Secure SDN-IOT Framework with Adaptive Gbell PRF-MAC and Convolutional GRU for IDS
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
The increasing integration of IoT devices into modern infrastructures necessitates robust frameworks to secure data transmission and enhance network performance. This paper presents a secure Software-Defined Networking (SDN)-IoT framework that combines adaptive Gbell Probability-Based Fuzzy Rule Matching (Gbell PRF-MAC) and Convolutional GRU (CGRU) for Intrusion Detection Systems (IDS). The proposed framework demonstrated exceptional performance in addressing key challenges of data security and SDN layer efficiency. It employed Gbell PRF-MAC to create and validate adaptive Message Authentication Codes (MACs) with optimal timings of 1789ms for generation and 2234 ms for verification, ensuring robust validation while expediting user identification for secure SDN access. Simultaneously, IoT data transmission was safeguarded using adaptive encryption, achieving an impressive security level (SL) of 99.12%. For intrusion detection, the CGRU model achieved a remarkable accuracy of 99.86%, effectively distinguishing between attack and non-attack scenarios through optimized feature selection, which also minimized computational overhead. Additionally, the integration of SDN intelligence and IoT adaptability enabled dynamic Service Level Agreement (SLA) management, achieving a response time of 1449 ms and ensuring smooth and efficient service delivery. This synergy between advanced security mechanisms and SDN-IoT flexibility provides a robust, scalable, and adaptive solution for modern infrastructures. The proposed framework not only mitigates evolving cyber threats but also enhances data security and network efficiency, establishing a comprehensive approach to secure IoT-based ecosystems. This study demonstrates its potential to be a cornerstone for secure and efficient next-generation IoT implementations.
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 | 0,002 | 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 | 0,001 | 0,000 |
| 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