Effektive Lösungen für schichtenübergreifende Angriffe in kognitiven Funknetzen
Erkennung von böswilligen Benutzern bei schichtenübergreifenden Angriffen
Versandkostenfrei!
Versandfertig in 6-10 Tagen
60,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Cognitive Radio Networks (CRNs) haben sich als eine vielversprechende Netzwerktechnologie der nächsten Generation herauskristallisiert, die die Probleme im Zusammenhang mit dem dynamischen Frequenzzugang und der verbesserten Nutzung des Spektrums in signifikanter Weise angeht. Insbesondere Vertrauens- und Reputationsmanagementmodelle sowie schichtübergreifende Verteidigungsmechanismen werden für CRNs immer mehr in Betracht gezogen, um sie gegen die Angriffe von Sekundärnutzern zu schützen. In dieser Arbeit wird eine Methode namens Mean Bid Trust & Multiple Nash Reputation (MBT-MNR) und op...
Cognitive Radio Networks (CRNs) haben sich als eine vielversprechende Netzwerktechnologie der nächsten Generation herauskristallisiert, die die Probleme im Zusammenhang mit dem dynamischen Frequenzzugang und der verbesserten Nutzung des Spektrums in signifikanter Weise angeht. Insbesondere Vertrauens- und Reputationsmanagementmodelle sowie schichtübergreifende Verteidigungsmechanismen werden für CRNs immer mehr in Betracht gezogen, um sie gegen die Angriffe von Sekundärnutzern zu schützen. In dieser Arbeit wird eine Methode namens Mean Bid Trust & Multiple Nash Reputation (MBT-MNR) und optimierte Levensthein Cross Layer Defense Framework Methoden vorgeschlagen, um das CRN durch die Erkennung der Angreifer auf zwei verschiedenen Schichten, der physikalischen und der Datenübertragungsschicht, zu sichern. Das Mean Bid Cross Layer Trust Evaluation Modell wird angewandt, um die Vertrauenswürdigkeit des sekundären Benutzers durch Dritte zu messen. Anschließend wird die Klassifizierung von böswilligen und normalen Benutzern durch Anwendung des Modells der Multiple Nash Game Theory vorgenommen. Optimiertes Levesthein Nearest Centroid Framework (OS-LNCC) wird vorgeschlagen, um schichtenübergreifende Angriffe in CRNs zu entschärfen. Die Leistung der beiden Methoden wird anhand verschiedener Parameter wie Energieverbrauch, Erkennungszeit, Erkennungsverzögerung, Durchsatz und Erkennungsgenauigkeit bewertet.
Andere Kunden interessierten sich für
