强化基于Q学习的自适应加密模型用于无线传感器网络中的网络威胁缓解.
Sreeja Balachandran Nair Premakumari1, Gopikrishnan Sundaram2, Marco Rivera3
1Department of Information Technology, Karpagam College of Engineering, Myleripalayam Village, Coimbatore 641032, Tamil Nadu, India.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
本研究介绍了用于无线传感器网络 (WSN) 的自适应加密的强化学习框架. 它通过根据威胁评估动态调整加密级别来提高安全性和能源效率.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 网络工程 网络工程
背景情况:
- 无线传感器网络 (WSN) 面临越来越多的网络威胁,需要适应性安全解决方案.
- 在WSN中的资源限制限制了静态,高级加密的实施.
- 现有的安全机制往往缺乏适应能力来处理动态威胁环境.
研究的目的:
- 为WSNs提出基于强化学习的自适应加密框架.
- 根据实时网络条件和威胁分类来动态扩展加密级别.
- 在WSNs中优化能源效率和安全稳定性之间的权衡.
主要方法:
- 一个基于深度学习的异常检测系统,用于威胁分类 (低,中等,高).
- 集成动态Q学习和双重Q学习,以适应安全政策.
- 制定作为一个具有量身定制奖励功能的马尔科夫决策过程 (MDP).
- 实施一个 ε-贪的勘探开发机制和动态超参数调整.
主要成果:
- 在能源消耗方面实现了30.5%的减少.
- 保持了92.5%的数据包交付比率 (PDR).
- 针对网络攻击 (DDoS,黑洞,数据注入) 证明了94%的缓解效率.
- 与传统加密相比,延迟时间减少了37%.
结论:
- 强化学习驱动的自适应加密框架对于资源有限的WSN来说是有效和可扩展的.
- 拟议的系统以动态方式平衡能源效率和安全稳定性.
- 该框架显示了性能指标和攻击缓解方面的显著改进,适合物联网应用.


