Sybil Attack Detection in VANET Using Machine Learning Approach
Notice bibliographique
Résumé
VANET (Vehicular Ad-hoc Network) is a subclass of MANET in which many cars can connect with one another via node to node or equipment erected on the side of the road. However, due to the adaptability of centres and the unexpected trade in geography, there may be opportunities for attacks in VANET. One of the ostensible assaults is the Sybil attack, in which the attacker fabricates unequivocally unique equal personalities to undermine the value of VANET. Sybil creates fictitious identities inside the community as well in order to sabotage attempts to mediate conversations between community nodes. Sybil assaults have an impact on carrier transportation in relation to things like traffic congestion, road safety, and multimedia entertainment. VANETs therefore announce a security mechanism to protect you from Sybil attacks. In this regard, this work puts forth the SDTC method, which completely relies on machine learning techniques to prevent Sybil assaults in VANETs. In order to reduce identification time, increase detection accuracy, and enhance scalability, the SDTC (Sybil node detecting the use of Classification) mechanism uses a few vehicle-specific Extreme Learning Machine (ELM) features. The results suggest that SDTC is a suitable strategy to reduce Sybil assaults and sustain provider service in VANETs.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».