Autonomous Collaborative Authentication with Privacy Preservation in 6G: From Homogeneity to Heterogeneity
Notice bibliographique
Résumé
The emerging collaborative authentication schemes are capable of outperforming the conventional isolated methods as a benefit of their multi-dimensional data/information gleaned, but they face new challenges in the sixth generation (6G) wireless networks owing to their increased overhead, limited flexibility and autonomy. Moreover, they may also be vulnerable to the privacy leakage of individual entities. These challenges are mainly due to the complex heterogeneous network architecture, owing to the distributed nature of the devices and information involved as well as the diverse security requirements of the 6G-aided vertical systems. As a remedy, we introduce autonomous collaborative authentication for achieving security enhancement through the situation-aware cooperation of different security mechanisms, of heterogeneous security information/context, and of heterogeneous devices and networks. For this purpose, a federated learning-based collaborative authentication scheme capable of privacy-preservation is developed, where cooperative peers observe and locally analyze heterogeneous information of the authenticating device, and afterwards update their authentication models locally. By sharing their authentication models rather than directly sharing the observed authentication information, privacy preservation can be achieved based on the proposed scheme. Moreover, given the time-varying heterogeneous network environment and the wide range of quality-of-service (QoS) requirements, the membership of the group collaborating in support of distributed authentication is updated based on the situation-dependent conditions. To further reduce the communication overhead, a locally collaborative learning process is further developed, where both the updated parameters and observed authentication information are stored and processed locally at the cooperative peers. Finally, a smart contract is designed for achieving collaborative security combined with privacy preservation and for providing accountable services.
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 | 0,003 | 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 | 0,002 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».