Intent-Based Secure Fault Tolerance Model With Integrated AI for Edge-IoT Networks
Notice bibliographique
Résumé
The development of real-time applications integrated with Intent-Based Networking (IBN) integrates an Internet of Things (IoT), providing interconnection between heterogeneous devices and physical objects for the formulation of smart cities. These systems provide seamless communication and maintain the adaptive network policies and infrastructure. Many existing schemes have proposed solutions for efficient routing with support from intelligent architectures; however, although most of them overlook the bounded and limited resources of IoT networks, they impose additional overhead while addressing unpredictable communications in IBN-IoT. Furthermore, security and trustworthiness are significant research challenges that must be addressed to prevent data breaches and allow only the use of authentic devices. This research presents a scalable model for an IBN-IoT environment that utilizes edge computing to enable trustworthy and fault-tolerant communication with energy efficiency. Firstly, Software-Defined Networking (SDN) is explored for load balancing and effective resource allocation in 6G Internet of Things (IoT) systems. Secondly, the proposed model explores artificial intelligence techniques to analyze the network environment and predict anomalies in the fault tolerance approach. Lastly, data is kept private and maintained in integrity using a private blockchain, providing a more reliable, distributed, autonomous system with minimal overhead. Using synthetic data, the proposed model is validated against QGA-ACO and MER-ODLADT solutions for energy consumption, anomaly detection, and time-to-failure metrics across dynamic scenarios.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».