Alghurabi, Sameha (2026) Deep Learning-Enhanced Trust-Aware Clustering Protocol for Wsn. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF 202009200_Thesis.pdf Restricted to Repository staff only until 30 September 2027. Download (2MB)

Arabic Abstract

تُطبّق شبكات الاستشعار اللاسلكية بشكل كبير في تطبيقات بالغة الأهمية بما في ذلك الرعاية الصحية، والمراقبة العسكرية، والرصد البيئي. ومع ذلك، يُشكّل ضمان نقل البيانات بشكل آمن وفعّال من حيث استهلاك الطاقة تحديًا كبيرًا في شبكات الاستشعار اللاسلكية، خاصة عند مواجهة عُقد تالفة أو معطلة. ولمعالجة هذا التحدي، تُقدّم هذه الورقة البحثية بروتوكولًا فريدًا من نوعه للتجميع الواعي للثقة والمُعزّز بالتعلم العميق، والذي يُدمج آلية تقييم الثقة في بروتوكول Low Energy Adaptive Clustering Hierarchy .يُعرّف النهج المقترح الشبكة بأنها شبكة استشعار لاسلكية دائرية العنقود، حيث تُعيّن العُقد رؤوس العنقود وتُعيد توجيه البيانات المُجمّعة عبر هذه الرؤوس إلى محطة أساسية مركزية. وعلى عكس الأساليب التقليدية، يتضمن النظام سلوكًا عدائيًا ديناميكيًا، حيث تُظهر العُقد الخبيثة أنماط هجوم متنوعة ومتطورة، بما في ذلك إسقاط الحزم، والتلاعب بالتسلسل، وسلوكيات الثقب الأسود والثقب الرمادي. يُعتبر عامل الثقة متغيرًا تشغيليًا يؤثر بشكل مباشر على كلٍ من خيارات انتخاب رؤوس المجموعات وقرار الانضمام إلى المجموعة بعد فترة تحضيرية محددة. أجريت تجارب شاملة عبر أنماط تشغيلية متنوعة، بما في ذلك البروتوكول التقليدي بدون اي هجمات خبيثة، والبروتوكول التقليدي الذي يتعرض للهجوم، والبروتوكول المقترح لتقييم تأثير السلوكيات الخبيثة وفعالية دمج الثقة. تُظهر النتائج التجريبية أن النموذج المقترح يُقلل من تعرض رؤوس المجموعات الخبيثة من 20.7% إلى 8.8%، أي بتحسن يُقارب 57% مقارنةً بالبروتوكول التقليدي. إضافةً إلى ذلك، يُحسّن البروتوكول نسبة تسليم الحزم بنسبة تتراوح بين 7 و10% تقريبًا في ظروف الهجوم، مع الحفاظ على كفاءة طاقة تنافسية. علاوةً على ذلك، يمتد عمر الشبكة بنسبة تتراوح بين 15 و20% تقريبًا، مما يُشير إلى تحسن قدرتها على البقاء. مع ذلك، يُظهر النموذج المُطور مفاضلة بين المتانة والتعميم، خاصةً في سياق سيناريوهات تحول التوزيع. جمالًا، تُوضح هذه الدراسة أن دمج التعلم العميق في تقديرات الثقة يُمكن أن يُحسّن أمان وموثوقية شبكات الاستشعار اللاسلكية المُجمّعة، مُؤكدةً على ضرورة مُطابقة بيانات التدريب مع إعدادات النشر لضمان أداء مُتسق.

English Abstract

Wireless Sensor Networks (WSNs) are significantly being implemented in critical applications, including healthcare, military surveillance, and environmental monitoring. However, guaranteeing secure and energy-efficient data transmission is an important difficulty in WSNs. This challenge becomes more critical in the presence of corrupted or malfunctioning nodes. To address this challenge, this thesis presents a unique Deep Learning-Enhanced Trust-Aware Clustering Protocol (DL-TAC). The proposed method integrates a trust evaluation mechanism into the traditional Low Energy Adaptive Clustering Hierarchy (LEACH) protocol. The network is modeled as a clustered WSN. Nodes elect cluster heads (CHs) that relay aggregated data to a central base station. In contrast to traditional approaches, the system includes dynamic adversarial behavior. Malicious nodes exhibit evolving attack patterns such as packet dropping, sequence manipulation, blackhole, and grayhole attacks. Trust is regarded as an operational variable that directly influences both CH election choices and the decision to join the group following a specified preparatory period. Comprehensive experiments are performed across various operational modes. These include clean LEACH, aggressive LEACH, and trust-aware variants. The goal is to evaluate the impact of malicious behavior and the effectiveness of trust integration. Experimental results show that DL-TAC protocol reduces malicious cluster head exposure from 20.7% to 8.8%, corresponding to an improvement of approximately 57% compared to baseline LEACH. In addition, it improves packet delivery ratio by approximately 7–10% under attack conditions, while maintaining competitive energy efficiency. Furthermore, the network lifetime is extended by approximately 15–20%, indicating improved survivability. However, the developed model presents a trade-off between robustness and generalization, especially in the context of distribution shift scenarios. Overall, this study illustrates that integrating deep learning into trust estimates can improve the security and reliability of clustered WSNs, emphasizing the necessity of matching training data with deployment settings to guarantee consistent performance.

Item Type:	Thesis (Masters)
Subjects:	Computer Engineering
Department:	College of Computing and Mathematics > Computer Engineering
Thesis Advisor:	Abdulaziz Barnawi,
Thesis Committee Members:	Muhammad Mahmoud, Basem Al-Madani,
Depositing User:	SAMEHA ALGHURABI
Date Deposited:	04 Oct 2026 05:58
Last Modified:	04 Oct 2026 05:58
URI:	https://eprints.kfupm.edu.sa/id/eprint/144772