在节能无线传感器网络中使用基于深度强化学习的战略增强安全性.
Liyazhou Hu1,2, Chao Han3, Xiaojun Wang2
1School of Computer Science and Engineering, Macau University of Science and Technology, Macau 999078, China.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
本研究介绍了DeepNR,这是一种新的深度强化学习策略,旨在提高无线传感器网络 (WSN) 的能源效率和安全性. DeepNR显著延长了网络寿命和数据吞吐量,同时改善了对攻击的防御.
科学领域:
- 计算机科学 计算机科学
- 网络工程 网络工程
- 人工智能的人工智能
背景情况:
- 无线传感器网络 (WSNs) 面临着能源效率和安全方面的重大挑战,原因是资源有限和广播通信.
- 现有的解决方案难以平衡节能和保持强大安全的竞争需求.
研究的目的:
- 提出和评估DeepNR,一个基于深度强化学习 (DRL) 的策略,同时提高WSNs的能源效率和安全性.
- 解决适应性网络管理和实时威胁响应当前方法的局限性.
主要方法:
- 开发了DeepNR,这是一种利用深度神经网络 (DNN) 来近似Q值和自适应学习网络状态信息的策略.
- 实现了基于DRL的多层次决策,以实时优化数据传输路径.
- 集成了一个实时防御机制来检测和应对网络攻击.
主要成果:
- 与传统方法相比,DeepNR的网络寿命有30%的改善.
- 实现了 25% 的网络数据吞吐量增加.
- 在整体安全措施中显示了20%的增强.
结论:
- 拟议的DeepNR战略有效地提高了WSN的能源效率和安全性.
- DeepNR的自适应性学习能力使其能够应对动态的网络环境和不断变化的攻击模式.
- DeepNR为提高无线传感器网络的性能和可靠性提供了一个有希望的解决方案.
