A Tensor-Based Truthful Incentive Mechanism for Blockchain-Enabled Space-Air-Ground Integrated Vehicular Crowdsensing
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.
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 | 0,006 |
| 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 | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».