CBFF-LSTM: a deep learning framework for early-stage DOS attack detection in IOT-enabled WSN through correlated behavioural feature fusion
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
Denial-of-Service (DoS) attacks pose significant threats to Internet of Things-enabled Wireless Sensor Networks (IoT-WSN) due to device vulnerabilities and resource constraints, leading to network disruptions and service degradation. Existing approaches primarily focus on post-attack detection and classification. This paper proposes a novel deep learning framework called Correlated Behavioural Feature Fusion with Long Short-Term Memory (CBFF-LSTM) for proactive early-stage DoS attack detection with minimal computational overhead in IoT-WSN environments. The CBFF-LSTM framework introduces three key innovations (1) a progressive four-stage detection mechanism enabling early attack identification, (2) a novel Correlated Behavioral Feature (CBF) extraction methodology that simultaneously analyzes spatial–temporal dependencies at both node and network levels, and (3) an adaptive Feature Fusion Vector (FFV) generator optimized for resource-constrained IoT devices. Experimental validation was conducted using NS-3 simulator, incorporating diverse attack scenarios. A performance with 98.4% detection accuracy under controlled simulation (realistic expectation: 94–96%), 1.4% false positive rate (expected real-world: 2–4%), and early detection (2.3 s average) was achieved. The framework achieves linear scalability O(n) with inference times of 1.8 ms per sample and resource efficiency below 6% CPU usage, making it suitable for resource-constrained IoT environments while providing predictive capabilities not achieved by existing LSTM and feature fusion combinations.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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