PPCS: An Intelligent Privacy-Preserving Mobile-Edge Crowdsensing Strategy for Industrial IoT
Notice bibliographique
Résumé
Mobile-edge crowdsensing is capable of providing a large amount of data via pervasive mobile terminals for Industrial Internet of Things (IIoT). However, the generated data often contain users' sensitive information, which suggests the significance of privacy preserving in data aggregation and analysis for IIoT. Privacy preserving in mobile-edge crowdsensing have conflicting objectives, i.e., the edge fusion center (FC) requires data of better quality for data fusion with higher accuracy whereas participatory users (PUs) desire better privacy preserving by larger noise injection. Therefore, how to select proper noises to achieve the tradeoff between accuracy and privacy is a challenging problem. In addition, FC is subject to data tempering due to the lack of data reliability validations and incentive mechanisms. To tackle these problems, we propose a novel privacy-preserving mobile-edge crowdsensing strategy (PPCS) for IIoT. Specifically, PPCS provides a Kullback-Leibler privacy-preserving data aggregation using a reputation-based incentive mechanism. On the other hand, PPCS offers hypothesis test-based data reliability validation and PU's reputation update, which collaborate to ease the impact of tampered data. Meanwhile, a reinforcement learning algorithm, the expected Sarsa, is applied to obtain the optimal test threshold. Theoretical analysis and experimental results show that PPCS is an energy-efficient strategy and the data provided by PPCS has a better aggregation accuracy than certain baseline strategies.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».