QoS-Aware Resilient Routing Protocols Leveraging Cosine Similarity-Centric Convolutional Neural Network for WSN-Assisted IoT Using Clustering Techniques
Notice bibliographique
Résumé
The Wireless Sensor Networks integrated with Internet of Things (WSN-IoT) serve as the backbones of such applications as smart cities, health monitoring, and environmental monitoring requiring high efficiency and secure communication for Quality of Service (QoS). However, an important challenge has been in routing in dynamic WSN-IoT systems ensuring energy-efficient resilient and QoS-aware operations. This research addresses the issues of hotspot formation, energy depletion, and secure data transmission in clustered WSN-IoT networks. The requirement for robust scalable routing protocols able to maintain QoS requirements even in dynamic environments drives the motivation to develop new protocols. The proposed “QoS-Aware Resilient Routing Protocols leveraging Cosine Similarity-Centric Convolutional Neural Network for WSN-assisted IoT Using Clustering Techniques” (Ski-CSC2-A2O), leverages a Bi-Concentric Hexagonal network structure with mobile sink assistance for energy-efficient data collection. The Skill Optimization Algorithm optimizes clustering which results in balanced power consumption while identifying optimal Cluster Heads. Secure and QoS-aware routing is achieved through a Cosine SimilarityCentric Convolutional Neural Network, while network parameters are fine-tuned using Aphid Ant Optimization. Simulation results demonstrate the effectiveness of the proposed protocol, achieving a Packet Delivery of 99.3%, throughput of 99.6%, and an extended network lifetime surpassing 99.4% of baseline approaches, even with large packet sizes and increased transmission rounds. The Ski-CSC2-A2O protocol provides WSN-IoT systems with highly efficient secure solutions through its capabilities to ensure energy efficiency robust performance QoS while functioning ideally in real-time IoT applications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».