Новая структура маршрутизации для предотвращения черных дыр в беспроводных датчиках с использованием гибридной сверточной сети

С увеличением количества устройств в беспроводных сенсорных сетях (WSN) появились дополнительные проблемы. В связи с этим возрастают требования к защите таких сетей от внешних воздействий. Проблемы безопасности WSN определяются путем решения задачи оптимальной маршрутизации пути, энергосбережения и др. Предложена гибридная модель эффективной системы маршрутизации и доставки пакетов для предотвращения атак черных дыр. Такой тип атаки считается наиболее распространенным в сети благодаря своим уникальным характеристикам. Для их обнаружения предложена модель глубокого обучения с использованием сверточной нейронной сети (CNN). Алгоритм обучения должен быть надежным и заслуживающим доверия, чтобы анализ атак можно было рассматривать на разных уровнях для изучения их интеллектуального поведения. Рассмотрена задача поиска оптимального кратчайшего пути с использованием Deep Q-Learning и CNN для выполнения эффективной маршрутизации и доставки пакетов более безопасным способом. В результате моделирования достигнута точность 98,57 %.

1. Ding Z., Zhu C., De Graef M. Determining crystallographic orientation via hybrid convolutional neural network // Materials Characterization. 2021. V. 178. P. 111213. https://doi.org/10.1016/j.matchar.2021.111213

2. Subasini C.A., Karuppiah S.P., Sheeba Adlin, Padmakala S. Developing an attack detection framework for wireless sensor network-based healthcare applications using hybrid convolutional neural network // Transactions on Emerging Telecommunications Technologies. 2021. V. 32. N 11. P. e4336. https://doi.org/10.1002/ett.4336

3. da Silva Cotrim W., Felix L.B., Minim V.P., Campos R.C., Minim L.A. Development of a hybrid system based on convolutional neural networks and support vector machines for recognition and tracking color changes in food during thermal processing // Chemical Engineering Science. 2021. V. 240. P. 116679. https://doi.org/10.1016/j.ces.2021.116679

4. Bangotra D.K., Singh Y., Selwal A., Kumar N., Singh P.K., Hong W-C. An intelligent opportunistic routing algorithm for wireless sensor networks and its application towards e-healthcare // Sensors. 2020. V. 20. N 14. P. 3887. https://doi.org/10.3390/s20143887

5. Pankaj R. Chandre, Dr. Parikshit N. Mahalle, Dr. Gitanjali R. Shinde. Intrusion prevention framework for WSN using Deep CNN // Turkish Journal of Computer and Mathematics Education. 2021. V. 12. N 6. .P 3567–3572.

6. Pasyar P., Mahmoudi T., Kouzehkanan S.Z., Ahmadian A., Arabalibeik H., Soltanian N., Radmard A.R. Hybrid classification of diffuse liver diseases in ultrasound images using deep convolutional neural networks // Informatics in Medicine Unlocked. 2021. V. 22. P. 100496. https://doi.org/10.1016/j.imu.2020.100496

7. Gulla K.K., Viswanath P., Veluru S.B., Kumar R.R. Machine learning based intrusion detection techniques // Handbook of Computer Networks and Cyber Security: Principles and Paradigms. 2019. P. 873–888. https://doi.org/10.1007/978-3-030-22277-2_35

8. Jo W., Kim S., Lee C., Shon T. Packet preprocessing in CNN-based network intrusion detection system // Electronics. 2020. V. 9. N 7. P. 1151. https://doi.org/10.3390/electronics9071151

9. Yi P., Zhu T., Zhang Q., Wu Y., Li J. A denial of service attack in advanced metering infrastructure network // Proc. of the 1st IEEE International Conference on Communications (ICC). 2014. P. 1029– 1034. https://doi.org/10.1109/ICC.2014.6883456

10. Wang G., Ren Y., Dou K., Li J. IDTCP: an effective approach to mitigating the TCP incast problem in data center networks // Information Systems Frontiers. 2014. V. 16. N 1. P. 35–44. https://doi.org/10.1007/s10796-013-9463-4

11. Wang G., Ren Y., Li J. An effective approach to alleviating the challenges of transmission control protocol // IET Communications. 2014. V. 8. N 6. P. 860–869. https://doi.org/10.1049/ietcom.2012.0154

12. Al-Mandhari W., Gyoda K., Nakajima N. Performance evaluation of active route time-out parameter in ad-hoc on demand distance vector (AODV) // Proc. of the 6th WSEAS International Conference on Applied Electromagnetics, Wireless and Optical. 2008. P. 47–51.

13. McHugh J. Testing intrusion detection systems: a critique of the 1998 and 1999 darpa intrusion detection system evaluations as performed by lincoln laboratory // ACM Transactions on Information and System Se curity. 2000. V. 3. N 4. P. 262–294. https://doi.org/10.1145/382912.382923

14. Draper-Gil G., Lashkari A.H., Mamun M.S.I., Ghorbani A.A. Characterization of encrypted and VPN traffic using time-related features // Proc. of the 2nd International Conference on Information Systems Security and Privacy (ICISSP). 2016. P. 407–414. https://doi.org/10.5220/0005740704070414

15. Hinton G.E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R.R. Improving neural networks by preventing coadaptation of feature detectors // arXiv. 2012. arXiv:1207.0580.

16. Wang S., Minku L.L., Yao X. A systematic study of online class imbalance learning with concept drift // IEEE Transactions on Neural Networks and Learning Systems. 2018. V. 29. N 10. P. 4802–4821. https://doi.org/10.1109/TNNLS.2017.2771290