An Internet of Things‐Based Wireless Sensor Network Secure Routing and Monitoring System Using Deep Learning With Hybrid Optimization
Notice bibliographique
Résumé
ABSTRACT As the Internet of Things (IoT) drives global smart networks, secure, efficient, and resilient wireless sensor networks (WSNs) are critical. The existing methods often fail to balance energy efficiency, real‐time adaptability, and robust protection against advanced threats. This manuscript introduces an innovative approach to enhancing security and efficiency in IoT‐driven WSNs by proposing an adaptive energy‐efficient balanced uneven clustering (AEBUC) routing protocol integrated with attention‐guided generative adversarial networks (AG‐GAN). Addressing critical gaps in current research, the AEBUC protocol efficiently monitors sensor nodes, identifying potential adversaries while a path‐oriented data encryption model strengthens security by selecting sensor guard nodes. The use of AG‐GAN optimizes the selection of sensor monitor nodes and determines the most secure routes for encrypted data transmission. Furthermore, the improved border collie optimization (IBCO) algorithm fine‐tunes AG‐GAN's weight parameters, ensuring optimal performance. Implemented in Python and evaluated against key performance indicators such as network lifetime (NL), packet delivery ratio (PDR), throughput, delay, and encryption time (ET), the proposed model achieves 92% higher PDR, 14.4 s lower delay, and 6 s lower ET. The significance of this work lies in its comprehensive solution, combining adaptive clustering with advanced GAN‐based security, making a substantial impact on the reliability and safety of WSNs in IoT environments.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».