The Internet of Things (IoT) has lately developed into an innovation for developing smart environments. Security and privacy are viewed as main problems in any technology's dependence on the IoT model. Privacy and security issues arise due to the different possible attacks caused by intruders. Thus, there is an essential need to develop an intrusion detection system for attack and anomaly identification in the IoT system. In this work, we have proposed a deep learning-based method Deep Belief Network (DBN) algorithm model for the intrusion detection system. Regarding the attacks and anomaly detection, the CICIDS 2017 dataset is utilized for the performance analysis of the present IDS model. The proposed method produced better results in all the parameters in relation to accuracy, recall, precision, F1-score, and detection rate. The proposed method has achieved 99.37% accuracy for normal class, 97.93% for Botnet class, 97.71% for Brute Force class, 96.67% for Dos/DDoS class, 96.37% for Infiltration class, 97.71% for Ports can class and 98.37% for Web attack, and these results were compared with various classifiers as shown in the results.

Modern contact centers face increasingly complex decisions when selecting appropriate technologies for intent identification systems. This article presents a systematic comparative analysis of Large Language Models (LLMs) and traditional Machine Learning (ML) approaches in contact center environments, examining their relative efficacy across various operational contexts. Through a comprehensive evaluation framework, we assess seven critical dimensions: data complexity, training requirements, performance metrics, resource utilization, customization capabilities, deployment considerations, and hybrid implementation strategies. Our findings indicate that LLMs demonstrate superior performance in scenarios involving complex linguistic patterns and contextual understanding, while traditional ML models maintain advantages in resource-constrained environments and clearly defined intent categories. We propose a novel decision framework that enables organizations to optimize their technology selection based on specific operational requirements, resource availability, and performance needs. The article contributes to both theoretical understanding and practical implementation by providing evidence-based guidelines for selecting and implementing intent identification systems. The results suggest that hybrid approaches, combining the strengths of both LLMs and traditional ML models, offer promising solutions for organizations seeking to balance sophisticated language understanding with operational efficiency These findings have significant implications for contact center automation strategies and provide a foundation for future research in adaptive intent classification systems.

This research addresses the imperative need for efficient underwater exploration in the domain of deep-sea resource development, highlighting the importance of autonomous operations to mitigate the challenges posed by high-stress underwater environments. The proposed approach introduces a hybrid model for Underwater Object Detection (UOD), combining Bi-directional Long Short-Term Memory (Bi-LSTM) with a Restricted Boltzmann Machine (RBM). Bi-LSTM excels at capturing long-term dependencies and processing sequences bidirectionally to enhance comprehension of both past and future contexts. The model benefits from effective feature learning, aided by RBMs that enable the extraction of hierarchical and abstract representations. Additionally, this architecture handles variable-length sequences, mitigates the vanishing gradient problem, and achieves enhanced significance by capturing complex patterns in the data. Comprehensive evaluations on brackish, and URPC 2020 datasets demonstrate superior performance, with the BiLSTM-RBM model showcasing notable accuracies, such as big fish 98.5 for the big fish object in the brackish dataset and 98 for the star fish object in the URPC dataset. Overall, these findings underscore the BiLSTM-RBM model’s suitability for UOD, positioning it as a robust solution for effective underwater object detection in challenging underwater environments.