Adversarial Machine Learning-Driven Fake Task Anticipation in Mobile Crowdsensing Systems
Notice bibliographique
Résumé
Mobile Crowdsensing (MCS) enables access to distributed sensing sources of personalized devices so to support various smart services. Services and applications that can benefit from MCS are various such as transportation, health care, public safety, smart mobility and many others. Distributed nature and lack of a pre-established trust mechanism in MCS systems make them vulnerable in the presence of various threats that can be initiated by either sensing data providers or service requesters. While it is relatively easier to detect and eliminate false sensing data submissions via outlier detection, tasks that are submitted to keep the MCS servers and participating devices occupied and clogged are challenging since these attacks can be planned intelligently. In this paper, we investigate the potential of adversarial machine learning to anticipate fake / illegitimate task submissions to MCS systems. To this end, we empower a threat anticipation mechanism that leverages a Generative Adversarial Network (GAN) to inject adversarial samples of fake / illegitimate tasks to an MCS system. We evaluate the impact of GAN-driven attacks in terms of Adversarial Attack Success Rate (AASR) and Attack Severity (AS). Our numerical results show that the potential risk and severity of the offensive use of Machine Learning is significantly higher than an adversarial baseline that injects fake tasks solely based on random noise samples.
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 ».