Empowering Self-Organized Feature Maps for AI-Enabled Modeling of Fake Task Submissions to Mobile Crowdsensing Platforms
Notice bibliographique
Résumé
Mobile crowdsensing (MCS) has emerged as a ubiquitous solution for data collection from embedded sensors of smart devices to improve the sensing capacity and reduce sensing costs in large regions. Due to the ubiquitous nature of MCS services, smart devices require awareness of against misbehaving users that are becoming smarter to clog the resources in such a nondedicated sensing environment. In an MCS setting, the primary goal of a fake sensing task submission is to keep participant devices occupied, such as the battery, sensing, storage, and computing. Since the development of robust sensing campaigns highly depends on the existence of a realistic model of misbehaving users, this article leverages artificial intelligence and introduces a region-based self-organizing feature map (SOFM)-based model on user movement patterns so as to place the fake sensing tasks with the objective of maximum impacted participants and recruits. Uniformly and randomly initialized neurons are designed with fixed and adaptive quantities that are determined based upon the affected area on the covered terrain. Through numerical studies, we show that the impact of the SOFM structures can affect up to 46% of the participants and up to 37% of the recruits under various SOFM topologies. Furthermore, SOFM-based task submission models can increase the energy consumption in recruited devices by up to 39% due to the illegitimate task submission.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».