Intrusion Detection for Flooding-Based Denial-of-Service Attacks in Wireless Sensor Networks Using a Long Short-Term Memory Deep Learning Model
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
The need for deep learning (DL) approaches as effective and practical models for attaining security in wireless sensor networks (WSNs) has grown with the rise of artificial intelligence applications.With the capacity to identify threats and guarantee data integrity, DL models improve security efficacy and lower the total risks of different assaults.Intelligent detection and protection systems are essential for the security of information transfer since wireless computer networks are vulnerable to several incursions, including malware, intrusion flows, and security flaws.In order to identify and stop distributed denial of service (DDoS) assaults, this study will categorize and analyze data transferred across the virtual computer network using a DL approach known as long short-term memory (LSTM).In this study, a deep learning (LSTM) algorithm model has been employed for a virtual cloud WSN and proposed to check security using the UNSW-NB15 dataset and detect/stop the DDoS cyber-attacks flood type.The proposed LSTM deep learning model has been designed to analyze and classify the flood of the transmitted dataset inside the WSN by training the internal weights and adjusting their parameter variations.According to the simulation results, a high training efficiency was recorded, reaching 99.96% with a very low error rate of 0.04% in training the proposed LSTM model according to the employed dataset.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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