Sec-IoV
Notice bibliographique
Résumé
Rapid progress in Intelligent Transportation Systems (ITS) during the last few decades has resulted in the emergence of the Internet of Vehicles (IoV), in which smart vehicles communicate with each other for information sharing. The exponential increase in the number of vehicles, together with an increasing data demands from in-vehicle users, has led to a tremendous growth of upstream data in the IoV infrastructure. However, the highly dynamic topology and distributed nature of vehicular networks exposes the vehicular traffic to higher security risks. To address these challenges, in this paper, "Sec-IoV", a multi-stage model for anomaly detection is specifically proposed for securing vehicle-to-vehicle (V2V) communications in IoV setups. The proposed anomaly detection model comprises of multiple stages: (a) relevant feature set selection, (b) optimization of Support Vector Machine (SVM) parameters, and (c) classification of vehicular traffic into benign and anomalous. The first two stages are expressed using the multi-objective optimization problems, which are iteratively computed using the hybridization of a meta-heuristic approach "Artificial Bee Colony (ABC) Optimization" with a Cauchy based mutation operator. This coupling is referred to as "C-ABC". It improves the local search capability of the optimizer with faster convergence. The last stage of data classification is then performed by employing SVM with a refined set of parameters. For the extensive evaluation of the proposed model, different state-of-the-art models have been executed on OMNET++ and SUMO. The obtained results in terms of the detection rate, accuracy, and false positive rate reflect the effectiveness of the proposed Sec-IoV model against the existing state-of-the-art schemes.
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 | 0,000 | 0,000 |
| 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) | 0,002 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».