XiaoMi-AI文件搜索系统
World File Search SystemFANET
机器学习驱动的威胁识别以使用遗传算法增强粉丝安全性
摘要：作为一种高度有前途的技术，飞行的临时网络代表了无人驾驶汽车（无人机）的自组织网络，引起了对环境监测，灾害管理，精密农业，监测和军事行动的多种应用的关注。但是，这些网络面临着各种安全威胁的挑战，包括由于其在动态环境中的部署而导致的恶意节点检测。为了解决这个问题，我们在本文中使用遗传算法（ML-TIFGA）提出了一种改进的新型安全解决方案，基于机器学习的威胁识别。研究包括使用基本遗传算法检测异常行为节点，并通过使用信誉系统动态地适应不断变化的网络条件。为了增强我们的安全解决方案ml-tifga，我们评估了两个关键因素：合作和可信度，它们在我们的遗传人群中充当飞行节点染色体内的遗传元素。此外，还合并了一种机制来重新配置信任，并在考虑过去的行为监控时通过更新的加权声誉系统动态提取威胁的挑战。使用NSL-KDD数据集中的实际样品值发现了实验结果中的显着改进，这产生了显着的99.829％的分类精度。此外，培训的威胁识别率达到98.36％，测试样品的识别率达到98.86％，通过ML-TIFGA的网络可靠性增长了99.3％。在针对最新方法的基准测试时，诸如延迟，吞吐量和数据输送率之类的绩效指标分别显示出24.65％，29.16％和31.73％的明显增强。
基于mmwave的粉丝拓扑优化的波甘方法
摘要：动态飞行临时网络（粉丝）和毫米波（MMWave）技术的集成可以为许多数据密集型应用提供有前途的解决方案，因为它可以建立具有明显的数据传输功能的强大型号基础架构。但是，要在此动态网络中启用有效的MMWave通信，必须精确地对齐安装在无人机上的可可的天线（UAV）与相应的同行单元。因此，设计一种可以快速确定优化对齐和网络拓扑的新颖方法很重要。在本文中，我们提出了一种基于生成的对抗网络（GAN）的方法，称为Wavegan，用于粉丝拓扑优化，旨在通过在最佳的通道条件下选择通信路径来最大化网络吞吐量。所提出的方法由Wavegan模型组成，然后进行梁搜索。前者学习如何从监督数据集中生成优化的网络拓扑，而后者则调整生成的拓扑以满足基于MMWave的粉丝的结构要求。仿真结果表明，所提出的方法能够快速找到粉丝拓扑，并具有很小的最佳差距，适合不同的网络大小。
研究论文 基于优化模糊逻辑的 FANET 无人机群 Ant-Hocnet 路由协议
无人机或无人驾驶飞机通常被称为无人驾驶飞行器 (UAV)，由这些无人机组成的自组织网络通常被称为飞行自组织网络 (FANET)。无人机和飞行自组织网络最初与军事监视和情报收集有关；此外，它们现在被广泛用于民用领域，包括搜索和救援、交通监控、消防、摄像和智能农业。然而，由于其独特的架构，它们带来了相当大的设计和部署挑战，主要与路由协议有关，因为传统的路由协议不能直接用于飞行自组织网络。例如，由于高移动性和稀疏拓扑，频繁的链路中断和路由维护会导致高开销和延迟。在本文中，我们采用基于优化模糊逻辑的生物启发式蚁群优化 (ACO) 算法“Ant-Hocnet”来改进飞行自组织网络的路由。模糊逻辑用于分析无线链路状态信息（例如可用带宽、节点移动性和链路质量），并在没有数学模型的情况下计算最佳无线链路。为了评估和比较我们的设计，我们在 MATLAB 模拟器中实现了它。结果表明，我们的方法提高了吞吐量和端到端延迟，从而提高了 FANET 的可靠性和效率。
研究文章 基于优化模糊逻辑的 FANET 无人机群 Ant-Hocnet 路由协议
无人机或无人驾驶飞机通常被称为无人驾驶飞行器 (UAV)，由这些无人机组成的自组织网络通常被称为飞行自组织网络 (FANET)。无人机和飞行自组织网络最初与军事监视和情报收集有关；此外，它们现在被广泛用于民用领域，包括搜索和救援、交通监控、消防、摄像和智能农业。然而，由于其独特的架构，它们带来了相当大的设计和部署挑战，主要与路由协议有关，因为传统的路由协议不能直接用于飞行自组织网络。例如，由于高移动性和稀疏拓扑，频繁的链路中断和路由维护会导致高开销和延迟。在本文中，我们采用基于优化模糊逻辑的生物启发式蚁群优化 (ACO) 算法（称为“Ant-Hocnet”）来改进 FANET 中的路由。模糊逻辑用于分析有关无线链路状态的信息，例如可用带宽、节点移动性和链路质量，并在没有数学模型的情况下计算最佳无线链路。为了评估和比较我们的设计，我们在 MATLAB 模拟器中实现了它。结果表明，我们的方法可以提高吞吐量和端到端延迟，从而提高 FANET 的可靠性和效率。