Phishing and Sybil Enhanced Behavior Processing and Footprint Algorithms in Vehicular Ad Hoc Network
Notice bibliographique
Résumé
Communication between vehicles is the core of VANETs, which are built on notions of mobile ad hoc networks (MANETs). Each car on the network is now seen as a mobile network node. All participating cars become wireless routers or nodes, depending on your viewpoint. VANET creates a huge network with a long-range by connecting all cars within range to a fixed unit. VANET assists with traffic regulation, communication between vehicles and the sharing of road data. There is a possibility that the VANET network could be compromised by identity and information concerns, resulting in data delays or theft. Attacks like Sybil and phishing are possible because of this network's weakness. Due to the two recent strikes, infrastructure and human lives may be in jeopardy. There are two novel algorithms developed by the authors to tackle Sybil and Phishing assaults on VANET networks: Phishing and Sybil Enhanced Behavior Processing and Footprints (P&SEBP&F). Originally known as the Phishing and Sybil Enhanced Behavior Processing and Footprint, P&STL&T was renamed P&STL&T. Phishing and Sybil were used as well as varied attacker-to-victim node ratios to test the effectiveness of the new tactics for assessing effectiveness. Compared to previous study and the work of the other authors cited, there were approximately 30% fewer attackers detected during the research.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».