In recent few years, flying ad hoc networks are utilized more for interconnectivity. In the topological scenario of FANETs, IoT nodes are available on ground where UAVs collect information. Due to high mobility patterns of UAVs cause disruption where intruders easily deploy cyberattacks like DoS/DDoS. Flying ad hoc networks use to have UAVs, satellite, and base station in the physical structure. IoT-based UAV networks are having many applications which include agriculture, rescue operations, tracking, and surveillance. However, DoS/DDoS attacks disturb the behaviour of entire FANET which lead to unbalance energy, end-to-end delay, and packet loss. This research study is focused about the detail study of machine learning-based IDS. Also, cognitive lightweight-LR approach is modeled using UNSW-NB 15 dataset. IoT-based UAV network is introduced using machine learning to detect possible security attacks. The queuing and data traffic model is utilized to implement DT, RF, XGBoost, AdaBoost, Bagging and logistic regression in the environment of IoT-based UAV network. Logistic regression is the proposed approach which is used to estimate statistical possibility. Overall, experimentation is based on binomial distribution. There exists linear association approach in logistic regression. In comparison with other techniques, logistic regression behaviour is lightweight and low cost. The simulation results presents logistic regression better results in contrast with other techniques. Also, high accuracy is balanced well in optimal way.

中文翻译：

---

基于认知轻量级逻辑回归的 IDS，用于支持 IoT 的 FANET 以检测网络攻击

近年来，更多地利用飞行自组织网络来实现互连。在 FANET 的拓扑场景中，物联网节点在无人机收集信息的地面上可用。由于无人机的高机动性模式会导致中断，入侵者可以在其中轻松部署 DoS/DDoS 等网络攻击。飞行自组织网络过去在物理结构中有无人机、卫星和基站。基于物联网的无人机网络有许多应用，包括农业、救援行动、跟踪和监视。然而，DoS/DDoS 攻击会扰乱整个 FANET 的行为，从而导致能量不平衡、端到端延迟和数据包丢失。本研究的重点是对基于机器学习的 IDS 的详细研究。此外，认知轻量级 LR 方法是使用 UNSW-NB 15 数据集建模的。引入了基于物联网的无人机网络，使用机器学习来检测可能的安全攻击。队列和数据流量模型用于在基于物联网的无人机网络环境中实现 DT、RF、XGBoost、AdaBoost、Bagging 和逻辑回归。逻辑回归是建议的方法，用于估计统计可能性。总的来说，实验是基于二项分布的。逻辑回归中存在线性关联方法。与其他技术相比，逻辑回归行为轻量级且成本低。与其他技术相比，模拟结果呈现逻辑回归更好的结果。此外，高精度以最佳方式得到很好的平衡。基于物联网的无人机网络环境中的 XGBoost、AdaBoost、Bagging 和逻辑回归。逻辑回归是建议的方法，用于估计统计可能性。总的来说，实验是基于二项分布的。逻辑回归中存在线性关联方法。与其他技术相比，逻辑回归行为轻量级且成本低。与其他技术相比，模拟结果呈现逻辑回归更好的结果。此外，高精度以最佳方式得到很好的平衡。基于物联网的无人机网络环境中的 XGBoost、AdaBoost、Bagging 和逻辑回归。逻辑回归是建议的方法，用于估计统计可能性。总的来说，实验是基于二项分布的。逻辑回归中存在线性关联方法。与其他技术相比，逻辑回归行为轻量级且成本低。与其他技术相比，模拟结果呈现逻辑回归更好的结果。此外，高精度以最佳方式得到很好的平衡。逻辑回归中存在线性关联方法。与其他技术相比，逻辑回归行为轻量级且成本低。与其他技术相比，模拟结果呈现逻辑回归更好的结果。此外，高精度以最佳方式得到很好的平衡。逻辑回归中存在线性关联方法。与其他技术相比，逻辑回归行为轻量级且成本低。与其他技术相比，模拟结果呈现逻辑回归更好的结果。此外，高精度以最佳方式得到很好的平衡。