当前位置：
X-MOL 学术
›
Trans. Emerg. Telecommun. Technol.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Enhanced Elman spike neural network fostered blockchain framework espoused intrusion detection for securing Internet of Things network
Transactions on Emerging Telecommunications Technologies ( IF 2.5 ) Pub Date : 2022-09-01 , DOI: 10.1002/ett.4634 Vikas Rao Vadi 1 , Shafiqul Abidin 2 , Azimuddin Khan 3 , Mohd Izhar 1, 4
Transactions on Emerging Telecommunications Technologies ( IF 2.5 ) Pub Date : 2022-09-01 , DOI: 10.1002/ett.4634 Vikas Rao Vadi 1 , Shafiqul Abidin 2 , Azimuddin Khan 3 , Mohd Izhar 1, 4
Affiliation
|
In general, due to the complexity and limited computation capabilities, the security issues occur in Internet of Things (IoT). Security protocols are required to increase the security of the system. Therefore, in this article, an enhanced Elman spike neural network (EESNN) with green proof of work consensus algorithm (GPoW) is proposed for enhancing the security of IoT network. Initially, the generalized security mechanism as EESNN approach is proposed for the IoT network by categorizing the devices into malicious and benign. Then, the GPoW consensus algorithm is used for enhancing the security of the devices from malicious attacks. Subsequently, a coalition formation (CF) algorithm is used for reducing the excess energy consumption in a network. The proposed EESNN-GPoW-CF approach has effectively classified the malicious attacks and enhances the security of the IoT network. The simulation of this work is done in Python. From the simulation, the proposed EESNN-GPoW-CF approach attains high efficiency outcomes in terms of accuracy, recall, precision, PDR, PLR, throughput, overhead, computation time, and delay. Moreover, the proposed EESNN-GPoW-CF approach attains 3.1%, 5.3%, 7.4% high accuracy rate, and 7.5%, 12.5%, 14.7% lower computation time with 4.8%, 2.3%, 5.7% lower energy utilization than the existing methods, such as deep learning based blockchain for IoT security, deep reinforcement learning based blockchain for IoT security, and deep blockchain-based trustworthy privacy preserving secured framework in IoT, respectively.
中文翻译：
增强的 Elman 尖峰神经网络促进区块链框架支持入侵检测以保护物联网网络
通常，由于复杂性和计算能力有限，物联网（IoT）中会出现安全问题。需要安全协议来提高系统的安全性。因此，在本文中，提出了一种具有绿色工作证明共识算法（GPoW）的增强型埃尔曼尖峰神经网络（EESNN），以增强物联网网络的安全性。最初，通过将设备分类为恶意和良性，为物联网网络提出了作为 EESNN 方法的广义安全机制。然后，GPoW 共识算法用于增强设备免受恶意攻击的安全性。随后，联盟形成（CF）算法用于减少网络中的过度能量消耗。所提出的 EESNN-GPoW-CF 方法有效地对恶意攻击进行了分类，增强了物联网网络的安全性。这项工作的模拟是在 Python 中完成的。从仿真来看，所提出的 EESNN-GPoW-CF 方法在准确性、召回率、精度、PDR、PLR、吞吐量、开销、计算时间和延迟方面获得了高效的结果。此外，所提出的 EESNN-GPoW-CF 方法实现了 3.1%、5.3%、7.4% 的高准确率，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。这项工作的模拟是在 Python 中完成的。从仿真中，所提出的 EESNN-GPoW-CF 方法在准确性、召回率、精度、PDR、PLR、吞吐量、开销、计算时间和延迟方面获得了高效的结果。此外，所提出的 EESNN-GPoW-CF 方法的准确率提高了 3.1%、5.3%、7.4%，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。这项工作的模拟是在 Python 中完成的。从仿真中，所提出的 EESNN-GPoW-CF 方法在准确性、召回率、精度、PDR、PLR、吞吐量、开销、计算时间和延迟方面获得了高效的结果。此外，所提出的 EESNN-GPoW-CF 方法的准确率提高了 3.1%、5.3%、7.4%，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。和延迟。此外，所提出的 EESNN-GPoW-CF 方法的准确率提高了 3.1%、5.3%、7.4%，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。和延迟。此外，所提出的 EESNN-GPoW-CF 方法的准确率提高了 3.1%、5.3%、7.4%，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。
更新日期：2022-09-01
中文翻译：
增强的 Elman 尖峰神经网络促进区块链框架支持入侵检测以保护物联网网络
通常，由于复杂性和计算能力有限，物联网（IoT）中会出现安全问题。需要安全协议来提高系统的安全性。因此，在本文中，提出了一种具有绿色工作证明共识算法（GPoW）的增强型埃尔曼尖峰神经网络（EESNN），以增强物联网网络的安全性。最初，通过将设备分类为恶意和良性，为物联网网络提出了作为 EESNN 方法的广义安全机制。然后，GPoW 共识算法用于增强设备免受恶意攻击的安全性。随后，联盟形成（CF）算法用于减少网络中的过度能量消耗。所提出的 EESNN-GPoW-CF 方法有效地对恶意攻击进行了分类，增强了物联网网络的安全性。这项工作的模拟是在 Python 中完成的。从仿真来看，所提出的 EESNN-GPoW-CF 方法在准确性、召回率、精度、PDR、PLR、吞吐量、开销、计算时间和延迟方面获得了高效的结果。此外，所提出的 EESNN-GPoW-CF 方法实现了 3.1%、5.3%、7.4% 的高准确率，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。这项工作的模拟是在 Python 中完成的。从仿真中，所提出的 EESNN-GPoW-CF 方法在准确性、召回率、精度、PDR、PLR、吞吐量、开销、计算时间和延迟方面获得了高效的结果。此外，所提出的 EESNN-GPoW-CF 方法的准确率提高了 3.1%、5.3%、7.4%，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。这项工作的模拟是在 Python 中完成的。从仿真中，所提出的 EESNN-GPoW-CF 方法在准确性、召回率、精度、PDR、PLR、吞吐量、开销、计算时间和延迟方面获得了高效的结果。此外，所提出的 EESNN-GPoW-CF 方法的准确率提高了 3.1%、5.3%、7.4%，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。和延迟。此外，所提出的 EESNN-GPoW-CF 方法的准确率提高了 3.1%、5.3%、7.4%，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。和延迟。此外，所提出的 EESNN-GPoW-CF 方法的准确率提高了 3.1%、5.3%、7.4%，计算时间减少了 7.5%、12.5%、14.7%，能源利用率比现有方法降低了 4.8%、2.3%、5.7%方法，例如基于深度学习的物联网安全区块链，基于深度强化学习的物联网安全区块链，以及基于深度区块链的物联网可信隐私保护安全框架。
京公网安备 11010802027423号