In the software landscape, understanding component impacts on system reliability is pivotal, especially given the unique complexities of modern software systems. This paper presents a model tailored for software reliability assessment. Our approach introduces the 'component influence' to measure a single component's effect on overall system reliability. Additionally, we adapt a state transition model to cater to the diverse architectures of software systems. Using a discrete-time Markov chain, we predict software reliability. We tested our model on an actual software system, finding it notably accurate and superior to existing methods. Our work offers a promising direction for those venturing into software reliability enhancement.

We determine the exact value of the connected domination metric dimension of some particular classes of graphs, such as the jewel graph, tortoise graph, globe graph, triangular book graph, and open diagonal ladder graph.

To ensure the crop health and optimize output in a sustainable way are challenges in the agricultural sector. To meet these challenges, the objective should be prompt detection of crop diseases and the accurate pesticide prescriptions. We present a novel methodology which combines the models of Deep Learning (DL) with a sophisticated image processing method. Both of the metadata and the image data were employed in this work which undergoes to a distinct pre-processing. The segmentation of pre-processed images was used by the model of LeNet-DLV3. By using the statistical features, domain-specific image features, the pertinent features and color features were recovered by the crop image collection as well in metadata. For the Feature Selection (FS), the Tsallis entropy based Conditional Mutual Information (TE-CMI) has been presented. Next, the creation and training of a Tri-bridNet Disease Classifier (TDC) for precise detection of crop disease using Gated Recurrent Units (GRUs), architectures, Convolutional Neural Networks (CNNs) and Multilayer Perceptron (MLP) has been described. After that a strategy of cooperative filtering based on crop disease trends is given along with the environmental variables to recommend the pesticides.

The Internet of Medical Things (IoMT) has paved the way for innovative approaches to collecting and managing medical data. With the large and sensitive medical data being processed hence, the need for a strong identity and privacy become necessary. The present paper suggests a comprehensive method of PriMedGuard which aims at protection of the personal medical information. The first stage will be data collection from devices and sensors, then data cleaning to transform the data into the required format. There is also a safety system in the system that registers and authenticates authorized entities as well as ETDO (Enhanced Tasmanian Devil Optimization algorithm) is used for generating asymmetric cryptographic keys. The data is encrypted using the Secure Bit-Count Transmutation (SBCT) Data Encryption Algorithm and then put in the locations provided by the InterPlanetary File System (IPFS), a decentralized and distributed storage system. A safe smart contract on the blockchain is created so that the data retrieval is secure and MedSecEnsemble Detection is proposed as an intrusion detection technique in the IoMT network. By using this method, data will stay available while at the same time integrity, confidentiality and protection against vulnerabilities are ensured. Hence, the Internet of Medical Things ecosystem will be secured from unauthorized access and possible security threats…

A finite vector that represents the distances between a vertex and the vertices of an ordered subset is the metric representation of a vertex of a graph. is called a minimal resolving set if no suitable subset of provides distinct representations for every vertex of . The lowest minimal resolving set (in relation to its cardinality) has a cardinality that determines 's metric dimension. In case has independent vertices, it can be referred to as an independent resolving set (ir-set). The value of the independent resolving number for different classes of graphs is found and defined. In this study, we investigate the graph classes' independent metric dimension. Our results demonstrate the differences in independent metric dimensions throughout families of graphs.

For an ordered subset of vertices and in a connected graph , the -vector is the metric representation of vertex with respect to . is a resolving set for if various vertices of have different representations with respect to . A minimum resolving set is the lowest cardinality resolving set and is the cardinality of the dimension of . A resolving set of is connected if the subgraph produced by is a nontrivial connected subgraph of . The cardinality of the minimal resolving set is the metric dimension of , while the cardinality of the lowest connected resolving set is the connected metric dimension of . A connected metric dimension of , denoted by , is the lowest cardinality of a connected resolving set. The connected resolving number of a graph can be found using the algorithm presented in this work.

This paper investigates the NP-hard problem of finding the lowest secure connected domination metric dimension of graphs. If each vertex in can be uniquely recognized by its vector of distances to the vertices in Scddim, then every vertex set Scddim of a connected graph resolves . If the subgraph induced by Scddim is a nontrivial connected subgraph of , then the resolving set Scddim of is connected. That resolving set is dominating if each vertex in that is not an element of Scddim is a neighbor of some vertices in Scddim. If there is a in such that is a dominating set for any in , then the dominating set is secure. If for every , there exists such that is a resolving set, then the resolving set is secure. These four cardinality values are the metric dimension of , the connected metric dimension of , the secure metric dimension of , and the connected domination metric dimension of , respectively. They correspond to the cardinality of the smallest resolving set of , the minimal connected resolving set, the minimal secure resolving set, and the minimal connected domination resolving set. In this paper, we introduce the secure connected domination metric dimension of graphs. If each vertex in G can be uniquely recognized by its vector of distances to the vertices in Scddim, then every vertex set Scddim of a connected graph resolves G. If the subgraph induced by Scddim is a nontrivial connected subgraph of G, then the resolving set Scddim of G is connected. That resolving set is dominating if each vertex in G that is not an element of Scddim is a neighbor of some vertices in Scddim. If there is a v in D such that is a dominating set for any in then the dominating set is secure. If for every there exists such that is a resolving set, then the resolving set is secure. These four cardinality values are the metric dimension of $G$, the connected metric dimension of , the secure metric dimension of , and the connected domination metric dimension of G, respectively. They correspond to the cardinality of the smallest resolving set of , the minimal connected resolving set, the minimal secure resolving set, and the minimal connected domination resolving set. In this paper, we introduce the secure connected dominant metric dimension of some graphs such as triangular snake graph, path graph, star tree and alternate quadrilateral snake. In particular, we derive the explicit formulas for the subdivision of triangular snake graph, alternate triangular snake graph, total graph of cycle graph and bistar tree.