Cross-Layer Defense Methods for Jamming-Resistant CBTC Systems
Notice bibliographique
Résumé
Communication-based Train Control (CBTC) systems are the burgeoning directions for developing future train control systems. With the adoption of wireless communication and network techniques, train control systems are more vulnerable to cyber-attacks. Notably, the jamming attacks, aiming at the handoff process that is the weakest part of train ground communication systems, will cause long disruption of communication. It will have a severe impact on train control operation efficiency. Current research regarding industry control system security is hard to model the impact of the jamming attacks on the train control system quantitatively, and current countermeasure schemes against jamming attacks are not designed for the operating mechanism of train control systems. This paper first builds the train control security state transition probability model under jamming attacks. A cross-layer defense scheme is then proposed from the aspect of the physical layer, the cyber layer and the management layer. In the physical layer, this paper designs a model prediction control algorithm to track dynamic target signals, in the hopes of eventually tracking the dynamic target quickly and smoothly. In the cyber layer, a multi-stage and zero-sum stochastic game model is built for the channel selection for the attack and the defense, whereby the channel selection randomized policy will be obtained. In the management layer, a dynamic train travel speed profile generation algorithm is proposed to mitigate the jamming attacks’ impact on train control systems. Extensive simulation results are shown that jamming attack impact on CBTC can be mitigated effectively with our proposed cross-layer defense scheme.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».