Video Experimental Relacionado
Updated: Sep 10, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.8K
Diseño integrado de detección de intrusiones con la discreción del agente principal utilizando el aprendizaje
K S Nirmala Bai1, Dr M V Subramanyam2
1Department of Electronics and Communication Engineering, JNTUACEK, Kalikiri, Annamayya, AndhraPradesh, India. nirmalabai.ece@jntua.ac.in.
Scientific reports
|August 22, 2025
Resumen
Este estudio presenta un diseño optimizado de red móvil ad hoc (MANET) que utiliza el aprendizaje de árboles adaptativos (AETL) para la detección de intrusiones y la optimización dual híbrida del modelo de aprendizaje automático (HDOMLM) para un agrupamiento eficiente, mejorando significativamente la vida útil de la red y el ahorro de energía.
Área de la Ciencia:
- Ciencias de la computación
- Seguridad de la red
- Aprendizaje automático
Sus antecedentes:
- Las redes móviles ad hoc (MANET) son cada vez más populares debido a su naturaleza sin infraestructura.
- La seguridad de la red, en particular la detección de intrusiones, es un desafío crítico en las MANET.
- Los métodos existentes a menudo carecen de eficiencia tanto en la detección de intrusiones como en el agrupamiento de redes.
Objetivo del estudio:
- Proponer un diseño óptimo de MANET que integre el aprendizaje automático para mejorar la seguridad y la eficiencia.
- Implementar un esquema efectivo de detección de intrusiones (IDS) utilizando el aprendizaje de árboles de conjunto adaptativo (AETL).
- Desarrollar un mecanismo de agrupación eficiente con la selección de cabezas de agrupación utilizando el modelo híbrido de optimización dual del aprendizaje automático (HDOMLM).
Principales métodos:
- La detección de intrusiones se realiza utilizando AETL para clasificar los nodos normales y maliciosos.
- El agrupamiento se logra a través de la optimización de enjambres de partículas (PSO), seguida de O-MLM para la selección de nodos líderes en función de las características del nodo.
- El modelo propuesto evita combinaciones lógicas complejas, confiando en el aprendizaje automático para la toma de decisiones.
Principales resultados:
- El AETL propuesto con el modelo HDOMLM demostró un rendimiento superior en comparación con los algoritmos existentes.
- Se logró un ahorro energético significativo del 71%.
- Aumento de la vida útil de la red en un 50,12%.
Conclusiones:
- El enfoque integrado de AETL y HDOMLM ofrece una solución eficaz para la seguridad de MANET y la optimización del rendimiento.
- El método propuesto mejora los indicadores clave de rendimiento, como la vida útil de la red y la energía residual.
- Los modelos de aprendizaje automático son cruciales para el diseño y el funcionamiento óptimos de MANET.
