Joint Security and Resources Allocation Scheme Design in Edge Intelligence Enabled CBTCs: A Two-Level Game Theoretic Approach
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
The increasingly intense cyber-attacks have always been a crucial issue to the communication-based train control (CBTC) system due to exposed wireless channels. Both cyber-attack intrusion detection and defense policy calculation demand substantial computing resources. Combined with high capacity and reliability 5G technologies, edge intelligence (EI) is believed to help empower CBTC systems in terms of security and efficiency. This paper proposes an EI-enabled structure for CBTCs to defend against cyber-attacks, where the EI server provides real-time intelligent computing services for trains to derive real-time defense policies. We formulate the cyber-attack and defense process in EI-enabled CBTCs as a two-level game model, where system security and edge computing resource allocation are jointly optimized. In the lower-level game, we model interactions between the cyber attacker and system defender as a discrete repeated security game (DRSG), which is also a non-zero sum and incomplete information game. The fictitious play (FP) is introduced to derive a Nash equilibrium (NE) based optimal defense scheme. In the upper-level game, considering that the EI server cannot simultaneously update the optimal defense scheme for all trains due to the limited computation resources, we construct a multi-stage computation resource allocation game (MCRAG). We derive the optimal computation resource allocation scheme by the neural fictitious self-play (NFSP), where a deep Q-learning network (DQN) and a supervised learning network are jointly built to learn the strategy. Extensive simulation results show that our proposed EI-enabled CBTC system and the two-level game model can effectively defend against various attacks.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle