دانلود ترجمه مقاله بهبود حمله سرویس در شبکه حسگر بی سیم بر اساس یادگیری ماشین (ساینس دایرکت – الزویر ۲۰۲۱) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

بهبود حمله سرویس در شبکه حسگر بی سیم بر اساس یادگیری ماشین

Service Attack Improvement in Wireless Sensor Network Based on Machine Learning

چکیده
۱- مقدمه
۲٫ مطالعات مرتبط
۳- روش پیشنهادی
۳-۱- حمله برخورد
۳-۲- حمله ناعادلانه
۳-۳- حمله خسته کننده
۳-۴- رویکرد مبتنی بر NN
۴- نتیجه و بحث
۴-۱- امنیت در برابر حمله DoS با استفاده از SVM
۴-۲- تحلیل عملکرد
۵- نتیجه گیری
منابع

چکیده

تعدد سنسورها در یک شبکه حسگر بی سیم (W.S.N.) یک گره شاخص فیزیکی است که امکان تعامل گره های حسگر تشخیصی را فراهم می کند. امنیت شبکه های حسگر بی سیم در بسیاری از کاربردهای عملی، یک مسئله اساسی است. هدف ما راه‌اندازی عدم پذیرش حملات سرویس و پاسخگویی به شبکه های حسگر بی سیم برای افزایش امنیت با شناسایی دشمن است. انواع متفاوت لایه های مختلف در وقوع WSN. این دو نوع تکنیک یادگیری ماشین ، شبکه عصبی (NN)، ماشین بردار پشتیبان (SVM)، حملات لایه کنترل دسترسی به رسانه (MAC) را تشخیص می دهند. باید این دو روش را مقایسه کنم. این شبکه یک گره حسگر بی سیم کانال دسترسی، MAC دارد. لایه محافظ ضروری است. از احتمال سناریو WSN، شبیه ساز شبکه بی سیم ، شبیه‌سازی خطای شخم Vanderbilt، استفاده کنید.

۱- مقدمه

سنسور یک وسیله فیزیکی یا مجموعه ای از داده ها در مورد عملکردی است که اتفاق افتاده است و بیشتر سنسورها را برای جمع آوری اطلاعات از راه دور به یک ایستگاه آماده اعزام می کتند. وقتی این حسگرها به وفور برای مشاهده آب و هوای فیزیکی ساخته شده باشند ، ساختار W.S.N را تشکیل می دهند. شبکه های حسگر از راه دور در مورد مجموعه گسترده ای از مسائل امنیتی صحبت می کنند که باید مورد استفاده قرار گیرند. باید یکی از مشکلات را در نظر بگیریم. به عنوان مثال ، انرژی مهم‌ترین مسئله مربوط به W.S.N است. سنسور هاب‌های W.S.N توسط باتری یا نیروی خورشیدی کار می‌کنند. این سنسورها در تجهیزات ذخیره اطلاعات، نیروی پردازش و شرایط سرعت انتقال مکاتبات محدود شده اند.

۵- نتیجه گیری

از هر دو روش یادگیری ماشین شبکه عصبی و SVM برای شناسایی حملات DoS استفاده می شود. این موارد تنها مثال هایی بدون برنامه ریزی مجدد هستند.آنها مبتنی بر یادگیری نظارت شده هستند. استفاده از این روش های، گره های بد می تواند طول عمر شبکه را برای صرفه جویی در نیرو طولانی کند. NN یک سیستم موازی توزیع شده است، یک برنامه خطی که می تواند این مشکل را حل کند حل نمی شود. روش آموزش SVM مبتنی بر هسته برای پیدا کردن حداقل جهانی به کار می رود. یک تحلیل اجرا بین این ۲ تکنیک را می توان یافت، حملات SVM DoS را می توان با دقت ۹۷% جستجو کرد، در حالی که N.N در صورتی که SVM دقیق تر از NN باشد ممکن است به ۹۱% برسد. آن بیش از N.N زمان می برد، روش مبتنی بر SVM بیشتر شبیه N.N است تا جستجوی حملات DoS.

Abstract

A plurality of sensors in a wireless sensor network (W.S.N.) is a physical parameter node that allows detection sensor nodes to interact. Security is an essential issue in wireless sensor networks of many practical applications. Our goal is to launch denial of service attacks and respond to wireless sensor networks to enhance security by detecting the enemy. Different kinds of different layers in the occurrence WSN. These two types of machine learning techniques, neural network (NN), detect a Support Vector Machine (SVM), a media access control (MAC.) layer attacks. I have to compare the two methods. It has an access channel wireless sensor node, MAC. Protective layer is essential. Use scenario probability WSN. Wireless network simulator, Vanderbilt plow error simulation.

۱٫ Introduction

A sensor is a physical article or an assortment of data about a function that happened, sending most sensors for gathering the information remotely to a preparing station. When these sensors are hugely composed of observing the physical climate, they structure a W.S.N. Remote sensor networks speak to a wide assortment of security issues that must be tended. We should consider one of a kind of difficulties. For instance, energy is the primary consideration related to W.S.N. W.S.N. Hubs sensor by a battery or sun oriented force. These are restricted in the information stockpiling asset, processing force and correspondence transfer speed terms.

۵٫ Conclusion

Both SVM and neural network machine learning techniques are used to detect DoS attacks. These are just examples, without re-programming. They are based on supervised learning. Using these methods, malicious nodes can prolong the life of the network to save power. NN. is a distributed parallel systems; a linear program can solve the problem can not be solved. SVM training method using kernel-based to find the global minimum. An analysis of the performance between the two techniques can be found SVM DoS attacks can be detected, accuracy 97%, while the N.N. may reach 91% if SVM is more accurate than NN. It will take a longer time than N.N.; the SVM-based method is more like N.N. Rather than detecting DoS attacks.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بهبود حمله سرویس در شبکه حسگر بی سیم بر اساس یادگیری ماشین

Service Attack Improvement in Wireless Sensor Network Based on Machine Learning