Multibranch Reconstruction Error (MbRE) Intrusion Detection Architecture for Intelligent Edge-Based Policing in Vehicular Ad-Hoc Networks
Notice bibliographique
Résumé
There has been a notable increase in the research and development of Vehicular Ad-hoc Networks (VANETs) to efficiently and safely manage large amounts of traffic. Such networks are, however, also prone to various cyber threats to data integrity, privacy, authentication, and network availability, and given the potential risk to life under the event of a malfunction and misinformation, it is important to provide security measures against such threats. This paper presents the Multi-branch Reconstruction Error (MbRE) Intrusion Detection System (IDS) for edge-based anomaly detection in VANETs for data integrity, network availability and user authentication-based misbehaviors without the need to train on them. Vehicular data is first sequenced and separated into three data branches - frequency (F) derived from the message timestamps, pseudo-identities (I), and the motion data (M) i.e. position and velocity. The proposed model comprises of three Convolutional Neural Networks (CNN)-based reconstruction models trained to reconstruct normal F-I-M vehicular behavior. The IDS classifies each branch of a sequence as 0/1 based on the reconstruction error threshold for the respective branch and, therefore, has the ability to detect 8 possible binary encoded behaviors for each sequence of vehicular data. These results are then used to find the overall behavior of each vehicle using carefully selected detection thresholds. MbRE is able to classify frequency, identity and motion-based behavior samples with an accuracy of 100%, 98.5-100%, and 95.4-100%, respectively, without the need to train on such behaviors. The study also emulates the IDS on Google Colaboratory and Jetson Nano to show its practicality in cloud and edge environments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 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 ».