関連する実験動画
Updated: Sep 10, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.8K
効率的なMANETシステムのための機械学習を使用したリードエージェントの裁量で統合された侵入検知設計
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
まとめ
この研究は,侵入検知のためのアダプティブ・アンサンブル・ツリー・ラーニング (AETL) と,効率的なクラスタリングのためのハイブリッド・ダブル・オプティマイゼーション・オブ・マシン・ラーニング・モデル (HDOMLM) を使用した最適化されたモバイル・アドホック・ネットワーク (MANET) の設計を導入し,ネットワークの寿命とエネルギー節約を大幅に改善します.
科学分野:
- コンピュータ科学
- ネットワークセキュリティ
- 機械学習
背景:
- モバイル・アドホック・ネットワーク (MANET) は,インフラが少ない性質のため,ますます普及しています.
- ネットワークのセキュリティー,特に侵入検知は,MANETにおける重要な課題です.
- 既存の方法は,侵入検知とネットワーククラスタリングの両方で効率が欠けていることが多い.
研究 の 目的:
- 機械学習を統合した最適な MANET 設計を提案し,セキュリティと効率を向上させる.
- アダプティブ・アンサンブル・ツリー・ラーニング (AETL) を使用した効果的な侵入者検知システム (IDS) を実装する.
- ハイブリッド・デュアル・オプティマイゼーション・オブ・マシン・ラーニング・モデル (HDOMLM) を用いたクラスタヘッド選択による効率的なクラスタメカニズムを開発する.
主な方法:
- 侵入検出は,正常なノードと悪意のあるノードを分類するためにAETLを使用して実行されます.
- クラスタリングは,粒子群最適化 (PSO) に従って,ノード特性に基づくリーダーノード選択のためのO-MLMによって達成されます.
- 提案されたモデルは複雑な論理的組み合わせを避け,意思決定のために機械学習に依存しています.
主要な成果:
- HDOMLMモデルの提案されたAETLは,既存のアルゴリズムと比較して優れたパフォーマンスを示しました.
- 71%のエネルギー削減を達成しました.
- ネットワークの寿命を50.12%延長しました.
結論:
- 統合されたAETLとHDOMLMのアプローチは,MANETのセキュリティとパフォーマンスの最適化のための効果的なソリューションを提供します.
- 提案された方法は,ネットワークの寿命や残留エネルギーなどの主要な性能指標を向上させます.
- マシン・ラーニング・モデルは MANETの最適な設計と運用に不可欠です.
