الگوریتم استحکام بر مبنای داده برای اینترنت اشیا در شهرهای هوشمند

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

الگوریتم استحکام بر مبنای داده برای اینترنت اشیا در شهرهای هوشمند

عنوان لاتین

A Data-Driven Robustness Algorithm for the Internet of Things in Smart Cities

اینترنت اشیا در بسیاری از زمینه ها، به ویژه در شهرهای هوشمند، مورد استفاده قرار گرفته است. شکست گره ها یک چالش قابل توجه را برای ثبات توپولوژی ها به ارمغان می آورد. IoT شهرهای هوشمند به طور فزاینده ای تولید انواع مختلفی از داده ها را شامل می شود که شامل اطلاعات جغرافیایی گره، لیست همسایگان، داده حساس و غیره می باشد. بدین ترتیب، چگونگی بهبود وضوح توپولوژی در برابر حملات مخرب بر اساس داده های بزرگ شهرهای هوشمند، به یک موضوع مهم تبدیل می شود. برای مقابله با این مشکل، این مقاله رویکردی برای بهبود کارایی توپولوژی شبکه بر اساس الگوریتم ژنتیک چند جمعیتی (MPGA) را پیشنهاد می کند. اول، اطلاعات جغرافیایی و لیست همسایه گره ها از یک سرور داده بزرگ استخراج می شود. سپس یک MPGA جدید با یک اپراتور متقاطع و یک اپراتور جهش برای بهینه سازی قابلیت اطمینان توپولوژی پیشنهاد شده است. الگوریتم ما در درجه اول هر گره را بدون تغییر نگه می دارد به طوری که توپولوژی بهینه سازی انرژی هزینه اضافه کردن لبه ها را افزایش نمی دهد. نتایج آزمایش های گسترده نشان می دهد که الگوریتم ما می تواند به طور قابل ملاحظه ای قابلیت های توپولوژی ها در برابر حملات مخرب را بهبود بخشد.

The Internet of Things has been applied in many fields, especially in smart cities. The failure of nodes brings a significant challenge to the robustness of topologies. The IoT of smart cities is increasingly producing a vast amount different types of data, which includes the node’s geographic information, neighbor list, sensing data, and so on. Thus, how to improve the robustness of topology against malicious attacks based on big data of smart cities becomes a critical issue. To tackle this problem, this article proposes an approach to improve the robustness of network topology based on a multi-population genetic algorithm (MPGA). First, the geographic information and neighbor list of nodes are extracted from a big data server. Then a novel MPGA with a crossover operator and a mutation operator is proposed to optimize the robustness of topology. Our algorithm keeps the initial degree of each node unchanged such that the optimized topology will not increase the energy cost of adding edges. The extensive experiment results show that our algorithm can significantly improve the robustness of topologies against malicious attacks.