Structural health monitoring (SHM) using wireless sensor networks (WSNs) has gained research interest due to its ability to reduce the costs associated with the installation and maintenance of SHM systems. SHM systems have been used to monitor critical infrastructure such as bridges, high-rise buildings, and stadiums and has the potential to improve structure lifespan and improve public safety. The high data collection rate of WSNs for SHM pose unique network design challenges. This paper presents a comprehensive survey of SHM using WSNs outlining the algorithms used in damage detection and localization, outlining network design challenges, and future research directions. Solutions to network design problems such as scalability, time synchronization, sensor placement, and data processing are compared and discussed. This survey also provides an overview of testbeds and real-world deployments of WSNs for SH.

Unmanned aerial vehicles (UAVs) have recently rapidly grown to facilitate a wide range of innovative applications that can fundamentally change the way cyber-physical systems (CPSs) are designed. CPSs are a modern generation of systems with synergic cooperation between computational and physical potentials that can interact with humans through several new mechanisms. The main advantages of using UAVs in CPS application is their exceptional features, including their mobility, dynamism, effortless deployment, adaptive altitude, agility, adjustability, and effective appraisal of real-world functions anytime and anywhere. Furthermore, from the technology perspective, UAVs are predicted to be a vital element of the development of advanced CPSs. Therefore, in this survey, we aim to pinpoint the most fundamental and important design challenges of multi-UAV systems for CPS applications. We highlight key and versatile aspects that span the coverage and tracking of targets and infrastructure objects, energy-efficient navigation, and image analysis using machine learning for fine-grained CPS applications. Key prototypes and testbeds are also investigated to show how these practical technologies can facilitate CPS applications. We present and propose state-of-the-art algorithms to address design challenges with both quantitative and qualitative methods and map these challenges with important CPS applications to draw insightful conclusions on the challenges of each application. Finally, we summarize potential new directions and ideas that could shape future research in these areas.

ABSTRACT Live virtual machine (LVM) migration is pivotal in cloud computing for its ability to seamlessly transfer virtual machines (VMs) between physical hosts, optimise resource utilisation, and enable uninterrupted service. However, concerns persist regarding safeguarding sensitive data during migration, particularly in critical sectors like healthcare, banking and military operations. Existing migration methods often compromise between performance and data security, prompting the need for a balanced solution. To address this, we propose a novel framework merging machine learning with selective encryption to fortify the pre‐copy live migration process. Our approach intelligently predicts optimal migration times while selectively encrypting sensitive data, ensuring confidentiality and integrity without compromising performance. Rigorous experiments demonstrate its effectiveness, showcasing an average 51.82% reduction in downtime and an average 72.73% decrease in total migration time across diverse workloads. This integration of selective encryption not only bolsters security but also optimises migration metrics, presenting a robust solution for uninterrupted service delivery in critical cloud computing domains.