A Tensor-Based Truthful Incentive Mechanism for Blockchain-Enabled Space-Air-Ground Integrated Vehicular Crowdsensing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Space-Air-Ground Integrated Network (SAGIN) as an efficient newly integration network could provide more comprehensive network services to meet the multifarious quality of service requirements in different Intelligent Transportation Systems (ITS). By taking advantage of SAGIN, Space-Air-Ground Integrated Vehicular Crowdsensing (SAGI-VCS) would have great potential and the services regarding ITS could be facilitated. However, centralized SAGI-VCS is usually vulnerable to malicious attacks and the trust issues are one of the main reasons that hinder its further development. Blockchain as a distributed hyperledger shows a vital potential to solve the trust problem of multiple participants who do not trust each other and tackle the security issues in SAGI-VCS. Additionally, selfishness is another factor that prevents vehicles from participating in SAGI-VCS. The vast majority of existing incentives for vehicular crowdsensing only focus on the terrestrial networks which cannot be directly used in SAGI-VCS. Meanwhile, the redundant winner phenomenon and the multi-attributes of participants are less considered by them. Toward this end, we first illustrate a blockchain-enabled service architecture for SAGI-VCS and then construct a unified representation model. Afterwards, a tensor computing based truthful incentive mechanism TensorBC for blockchain-enabled SAGI-VCS is proposed to motivate vehicles to participate in completing tasks, ensure the security of the whole process and maximize the social welfare. TensorBC not only can eliminate the redundant winner phenomenon, but also can guarantee the economic properties such as truthfulness, individual rationality and profitability. Finally, both the rigorous theoretical analysis and extensive experimental results show that TensorBC could achieve a better performance.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle