Falsification Discovery in AIS Messages ; Decision Support and Risk Assessment for Operational Effectiveness
Notice bibliographique
Résumé
The SOLAS convention created an electronic system of message broadcasting between vessels: the Automatic Identification System (AIS). Albeit initially designed for security purposes, some people use the system another way, such as fleet surveillance, and the system suffers from errors, falsifications and spoofing. AIS data structure is complex, with 27 different messages, each one having a given number of data fields with various size, importance and type [1]. We propose a method based on the data quality dimensions and particularly the integrity of data within the message to assess the confidence in each message received, with a data processing done both on-the-fly with coming data and when data is stored in the database for comparison with archived data [2] and signal-based assessment we propose [3]. Each message will be assigned a confidence coefficient based on the processing of a checklist of ad-hoc items. The purpose is to assign a grade of alert and a level of associated risks (such as boarding, pollution, terrorism) to each message, group of messages sent by the same vessel or situation, suitable to be given for further studies to relevant authorities such as coast guards or MRCCs. References: [1] Tunaley, 2013. Utility of Various AIS Messages for Maritime Awareness. In proceedings of the 9th ASAR Workshop. Longueuil, Canada, October 2013. [2] Iphar, Napoli et Ray, 2016. Risk Analysis of falsified Automatic Identification System for the improvement of maritime traffic safety. In proceedings of the ESREL 2016 conference, Glasgow, United Kingdom, September 2016. [3] Alincourt, Ray, Ricordel, Dare-Emzivat et Boudraa, 2016. Methodology for AIS Signature Identification through Magnitude and Temporal Characterization. In proceedings of the OCEANS’16 SHANGHAI conference, Shanghai, China, April 2016.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».