Practical Byzantine Fault Tolerance Based Robustness for Mobile Crowdsensing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobile crowdsensing (MCS) has become a prominent paradigm to collect and share data based on sensing devices with built-in sensors in the Internet of Things era. Nevertheless, conventional MCS confronts various security and privacy vulnerabilities in terms of decentralized, openness, and non-dedicated properties. Currently, the submitted tasks are collected and managed conventionally by a centralized MCS platform. A centralized MCS platform is not safe enough to protect and prevent tampering sensing tasks since it confronts the single point of failure, which reduces the effectiveness and robustness of the MCS system. Meanwhile, fake task attack is a serious threat, as it would drain excessive resources from the participant devices and clog the MCS servers to disrupt the services offered by the MCS. To address the centralized issue and identify fake tasks, a blockchain-based decentralized MCS is designed. Integration of blockchain into MCS enables a decentralized framework. Moreover, the distributed nature of a blockchain chain prevents sensing tasks from being tampered. The blockchain uses a practical Byzantine fault tolerance consensus that can tolerate one-third faulty nodes, making the implemented MCS system robust and sturdy. In addition, an ensemble learning approach is deployed in the blockchain for eliminating fake tasks by malicious requesters. The evaluation test is conducted under two different datasets representing a big city and a small one to have an MCS campaign. Numerical results show that the ensemble approach eliminates most of the fake tasks with a detection accuracy of up to 0.99. Furthermore, the ensemble learning integrated system outperforms individual learner based centralized systems, and non-fault tolerant systems in terms of Ratio of Legitimate Tasks ( RoLT ) saved and Ratio of Fake Tasks ( RoFT ). RoFT is low to 0.01, and RoLT is high up to 0.913 via the proposed MCS blockchain-driven framework.
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.
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 | 0,004 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle