Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2022-22-2-317-323
УДК 004.89
Новая структура маршрутизации для предотвращения черных дыр в беспроводных датчиках с использованием гибридной сверточной сети
Читать статью полностью
Язык статьи - английский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Колангиаппан Дж., Сентил Кумар А. Новая структура маршрутизации для предотвращения черных дыр в беспроводных датчиках с использованием гибридной сверточной сети // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22, № 2. С. 317–323 (на англ. яз.). doi: 10.17586/2226-1494-2022-22-2-317-323
Аннотация
С увеличением количества устройств в беспроводных сенсорных сетях (WSN) появились дополнительные проблемы. В связи с этим возрастают требования к защите таких сетей от внешних воздействий. Проблемы безопасности WSN определяются путем решения задачи оптимальной маршрутизации пути, энергосбережения и др. Предложена гибридная модель эффективной системы маршрутизации и доставки пакетов для предотвращения атак черных дыр. Такой тип атаки считается наиболее распространенным в сети благодаря своим уникальным характеристикам. Для их обнаружения предложена модель глубокого обучения с использованием сверточной нейронной сети (CNN). Алгоритм обучения должен быть надежным и заслуживающим доверия, чтобы анализ атак можно было рассматривать на разных уровнях для изучения их интеллектуального поведения. Рассмотрена задача поиска оптимального кратчайшего пути с использованием Deep Q-Learning и CNN для выполнения эффективной маршрутизации и доставки пакетов более безопасным способом. В результате моделирования достигнута точность 98,57 %.
Ключевые слова: сверточная нейронная сеть, CNN, Deep Q-Learning, беспроводная сенсорная сеть, WSN, маршрутизация, доверие
Список литературы
Список литературы
-
Ding Z., Zhu C., De Graef M. Determining crystallographic orientation via hybrid convolutional neural network // Materials Characterization. 2021. V. 178. P. 111213. https://doi.org/10.1016/j.matchar.2021.111213
-
Subasini C.A., Karuppiah S.P., Sheeba Adlin, Padmakala S. Developing an attack detection framework for wireless sensor network-based healthcare applications using hybrid convolutional neural network // Transactions on Emerging Telecommunications Technologies. 2021. V. 32. N 11. P. e4336. https://doi.org/10.1002/ett.4336
-
da Silva Cotrim W., Felix L.B., Minim V.P., Campos R.C., Minim L.A. Development of a hybrid system based on convolutional neural networks and support vector machines for recognition and tracking color changes in food during thermal processing // Chemical Engineering Science. 2021. V. 240. P. 116679. https://doi.org/10.1016/j.ces.2021.116679
-
Bangotra D.K., Singh Y., Selwal A., Kumar N., Singh P.K., Hong W-C. An intelligent opportunistic routing algorithm for wireless sensor networks and its application towards e-healthcare // Sensors. 2020. V. 20. N 14. P. 3887. https://doi.org/10.3390/s20143887
-
Pankaj R. Chandre, Dr. Parikshit N. Mahalle, Dr. Gitanjali R. Shinde. Intrusion prevention framework for WSN using Deep CNN // Turkish Journal of Computer and Mathematics Education. 2021. V. 12. N 6. P. 3567–3572.
-
Pasyar P., Mahmoudi T., Kouzehkanan S.Z., Ahmadian A., Arabalibeik H., Soltanian N., Radmard A.R. Hybrid classification of diffuse liver diseases in ultrasound images using deep convolutional neural networks // Informatics in Medicine Unlocked. 2021. V. 22. P. 100496. https://doi.org/10.1016/j.imu.2020.100496
-
Gulla K.K., Viswanath P., Veluru S.B., Kumar R.R. Machine learning based intrusion detection techniques // Handbook of Computer Networks and Cyber Security: Principles and Paradigms. 2019. P. 873–888. https://doi.org/10.1007/978-3-030-22277-2_35
-
Jo W., Kim S., Lee C., Shon T. Packet preprocessing in CNN-based network intrusion detection system // Electronics. 2020. V. 9. N 7. P. 1151. https://doi.org/10.3390/electronics9071151
-
Yi P., Zhu T., Zhang Q., Wu Y., Li J. A denial of service attack in advanced metering infrastructure network // Proc. of the 1st IEEE International Conference on Communications (ICC). 2014. P. 1029–1034. https://doi.org/10.1109/ICC.2014.6883456
-
Wang G., Ren Y., Dou K., Li J. IDTCP: an effective approach to mitigating the TCP incast problem in data center networks // Information Systems Frontiers. 2014. V. 16. N 1. P. 35–44. https://doi.org/10.1007/s10796-013-9463-4
-
Wang G., Ren Y., Li J. An effective approach to alleviating the challenges of transmission control protocol // IET Communications. 2014. V. 8. N 6. P. 860–869. https://doi.org/10.1049/iet-com.2012.0154
-
Al-Mandhari W., Gyoda K., Nakajima N. Performance evaluation of active route time-out parameter in ad-hoc on demand distance vector (AODV) // Proc. of the 6th WSEAS International Conference on Applied Electromagnetics, Wireless and Optical. 2008. P. 47–51.
-
McHugh J. Testing intrusion detection systems: a critique of the 1998 and 1999 darpa intrusion detection system evaluations as performed by lincoln laboratory // ACM Transactions on Information and System Security. 2000. V. 3. N 4. P. 262–294. https://doi.org/10.1145/382912.382923
-
Draper-Gil G., Lashkari A.H., Mamun M.S.I., Ghorbani A.A. Characterization of encrypted and VPN traffic using time-related features // Proc. of the 2nd International Conference on Information Systems Security and Privacy (ICISSP). 2016. P. 407–414. https://doi.org/10.5220/0005740704070414
-
Hinton G.E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R.R. Improving neural networks by preventing co-adaptation of feature detectors//arXiv. 2012.arXiv:1207.0580.
-
Wang S., Minku L.L., Yao X. A systematic study of online class imbalance learning with concept drift // IEEE Transactions on Neural Networks and Learning Systems. 2018. V. 29. N 10. P. 4802–4821.https://doi.org/10.1109/TNNLS.2017.2771290