SDN-Based Secure and Privacy-Preserving Scheme for Vehicular Networks: A 5G Perspective
Notice bibliographique
Résumé
The ever-increasing demands of vehicular networks pose significant challenges such as availability, computation complexity, security, trust, authentication, etc. This becomes even more complicated for high-speed moving vehicles. As a result, increasing the capacity of these networks has been attracting considerable awareness. In this regard, the next generation of cellular networks, 5G, is expected to be a promising solution enabling high data rates, capacity, and quality of service as well as low latency communications. However, 5G networks still face challenges in providing ubiquitous and reliable connections among high-speed vehicles. Thus, to overcome the gaps in the existing solutions, we propose a software defined network (SDN)-based consolidated framework providing end-to-end security and privacy in 5G enabled vehicular networks. The framework simplifies network management through SDN, while achieving optimized network communications. It operates in two phases: first, an elliptic curve cryptographic based authentication protocol is proposed to mutually authenticate the cluster heads and certificate authority in SDN-based vehicular setups, and, second, an intrusion detection module supported by tensor based dimensionality reduction is designed to reduce the computational complexity and identify the potential intrusions in the network. In order to assess the performance of the proposed framework, an extensive evaluation is performed on three simulators; NS3, SUMO, and SPAN. To harness the potential benefits of the proposed model, the first module, is evaluated on the basis of security features, whereas the second module is evaluated, and compared with the existing state-of-the-art models, on the basis of detection rate, false positive rate, accuracy, detection time, and communication overhead. The simulation results indicate the superiority of the proposed framework as compared to the existing models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».