A Reliable Trust Computing Mechanism Based on Multisource Feedback and Fog Computing in Social Sensor Cloud
Notice bibliographique
Résumé
Social sensor cloud (SSC) is combined with social network, wireless sensor network, cloud computing, and fog computing, which is currently a new type of Internet of Things (IoT). In order to provide a convenient, open, and highly reliable SSC services, the devices of fog computing are distributed at the edge of cloud computing. The devices of fog computing can independently process and store data, and feedback more quickly in SSC. The sensing layer of SSC faces different types of physical attacks and communication attacks, such as message forgery, message tampering, reply attacks, hidden data attacks, etc., lead to the lack of trust between social sensors and cloud data centers in SSC. Therefore, the trust evaluation between the sensing layer and the network layer is necessary. However, computing the reliability of the social sensor data in cloud data centers will generate a large amount of trust computing overhead, communication overhead, and communication delay, which hinder the widespread application of SSC services. To combat this issue, a reliable trust computing mechanism (RTCM) based on multisource feedback and fog computing fusion is proposed. First, a new metric is designed for the trust of social sensor nodes, and multisource feedback trust value collection is performed at the sensing layer to improve the detection of malicious feedback nodes. Second, the trust feedback information of the sensing layer is collected by the devices of fog computing, and the recommendation trust calculation is performed, which reduces the communication delay and computing overhead. Third, a fusion algorithm is designed to aggregate different types of feedback trust values, which overcomes the limitation of trust weights in artificial weighting and subjective weighting in traditional trust mechanisms. Theoretical analyses and simulation results show that the proposed trust computing mechanism has better computational efficiency and higher reliability compared with existing methods.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».