Enhanced Network Lifetime and Secure Data Transmission in IoT: A Reinforcement Based Approach
Notice bibliographique
Résumé
Internet of Things is a developing technology in the modern period with uses in wide area monitoring, healthcare, smart cities, and other areas.Wireless sensor networks (WSN) form the core of these IoT.The sensors within the WSN encounter numerous obstacles, including limited battery life, Security and Privacy and Synchronization etc.This shortens the lifetime of the network, thus energy must be used wisely.In this study, the Reinforcement Learning algorithm and K-Means are used to build clusters and to elect cluster heads.Additionally, a mobile sink is proposed to collect data from each cluster head (CH), saving energy on data transmission from nodes to base station.The proposed novel clustering and cluster head election algorithms increases energy efficiency by 75% and the time complexity is reduced to O(n/2) using reinforcement algorithm.By considering the shortest edges of obstacles, energy consumption during the mobile sink's routing is reduced, ensuring secure data transmission.The results illustrate a comparison of the time complexity between the initial cluster head election, conducted using K-Means, and the subsequent cluster head election is performed using Q-Learning.These algorithms are compared with K-Means and Fuzzy C-Means.Our proposed approach demonstrates superior performance compared to the other methods.The outcomes of the proposed work also reveal that in comparison to Clustered Routing algorithm based on forwarding mechanism optimization (CRFMO), Low Energy Adaptive Clustering Hierarchy with Improved Adaptive Cluster Adjustment (LEACH-IASA) and Improved LEACH, enhances network lifetime by increasing the number of surviving nodes and network coverage.The proposed scheme also outperforms in terms of latency compared to Software Defined Networking with Reinforcement Learning (SDN-RL) and Energy Efficient Rendezvous Ponts Selection using Deep Policy Dynamic Programming (EERPS-DPDP).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».