Region-Aware Bagging and Deep Learning-Based Fake Task Detection in Mobile Crowdsensing Platforms
Notice bibliographique
Résumé
Mobile crowdsensing (MCS) is a distributed sensing concept that enables ubiquitous sensing services via various builtin sensors in smart devices. However, MCS systems are vulnerable because of being non-dedicated. Especially, submission of fake tasks with the aim of clogging participants device resources as well as MCS servers is a crucial threat to MCS platforms. In this paper, we propose an ensemble learning-based solution for MCS platforms to mitigate illegitimate tasks. Furthermore, we also integrate k-means-based classification with the proposed method to extract region-specific features as input to the machine learningbased fake task detection. Through simulations, we compare the ensemble method to a previously proposed Deep Belief Network (DBN)-based fake task detection, which is also shown to improve performance in terms of accuracy, F1 score, recall, precision and geometric mean score (G-mean) with the integration of regionawareness. Our validation results show that the ensemble machine learning-based detection can eliminate majority of the fake tasks, with up to 0.995 precision, 0.997 recall, 0.996 F1, 0.993 accuracy and 0.982 G-Mean. Furthermore, the proposed solution introduces savings up to 12.18% battery of mobile devices while reducing the impacted recruits to 0.25% and protecting up to 10.59% participants against malicious sensing tasks.
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 | 0,001 |
| 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) | 0,000 | 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 ».