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 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 | 0,002 | 0,005 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».