EIDS-DTL: Edge-Based Intrusion Detection System for IoUAVs Using Metaheuristic Task Optimization and Deep Transfer Learning
Notice bibliographique
Résumé
The integration of Unmanned Aerial Vehicles (UAVs) with the Internet of Things (IoT), also known as IoUAVs, facilitates real-time data transmission and coordinated operations in critical applications such as smart agriculture, disaster response, and infrastructure monitoring. The growing development of IoT has, however, made IoUAVs vulnerable to emerging cyberattacks that could disrupt these essential services. Deep learning can detect hidden attack patterns, but power and processing constraints make it challenging for resource-constrained IoUAVs. Edge computing offloads real-time analysis tasks, but optimizing workloads with unpredictable connectivity and high latency requirements for intrusion detection remains challenging. To address these challenges, this paper proposes a novel Edge-Based Intrusion Detection System (EIDS) that introduces two key innovations. We developed a metaheuristic task optimization technique for the IoUAV edge environment to efficiently manage computational loads and resources. Second, a Deep Transfer Learning (DTL) technique optimized for intrusion detection minimizes training time and computational overhead. Our novel EIDS-DTL technology synergistically incorporates these components for powerful intrusion detection. Our method optimizes feature extraction from IoUAV network traffic by purifying, filtering, and normalizing data. By fine-tuning pre-trained models, the system achieves high accuracy in identifying malicious activity while ensuring optimal performance in resource-constrained environments. Experimental results on two benchmark datasets demonstrate classification accuracies of 98.95% and 99.27%, outperforming existing approaches by up to 5% in accuracy while maintaining high precision, recall, and F1 scores. The proposed method enhances accuracy and efficiency, providing an effective solution for IoUAV security and edge optimization.
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 | 0,000 | 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 ».