Trust-Driven Multi-Criteria Optimization for UAV-Assisted IoT Networks
Notice bibliographique
Résumé
Trustworthy communication is essential for the success of sixth-generation (6G) networks, enabling seamless and reliable interactions across diverse connected Internet of things (IoT) devices and systems. Uncrewed aerial vehicles (UAVs) are expected to play a pivotal role in this ecosystem by facilitating low-latency communication and promoting efficient resource utilization through flexible deployment strategies. In this context, we propose a trust-driven framework for UAV-assisted mobile edge computing (MEC). Initially, UAVs are deployed using the K-means clustering algorithm to maximize coverage. We then formulate an optimization problem that simultaneously targets several conflicting objectives: (i) maximize the trust level of serving UAVs; (ii) minimize computational latency for IoT devices tasks; (iii) maximize the number of served IoT devices; and (iv) balance the trade-off between maximizing trust and minimizing service provisioning cost. UAV trustworthiness is modeled as a composite metric encompassing success rate, security score, communication stability, computational resource availability, and energy sufficiency. To solve this problem, we develop a penalty-guided optimization (PGO) algorithm that guides relaxed binary decision variables toward integer solutions, followed by refinement using sequential quadratic programming. Simulations demonstrate that the PGO algorithm outperforms baseline relaxation methods and achieves performance close to the optimal branch-and-bound approach, while significantly reducing computational complexity. Additionally, unequally weighted trust metrics yield better UAV trust levels as compared to equal weighting, highlighting the advantage of adaptive trust modeling. The proposed UAV trust evaluation framework and deployment strategy thus collectively lead to enhanced network accessibility, reliability, and utility in aerial IoT networks.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».