Vehicular Edge-Based Approach for Optimizing Urban Data Privacy
Notice bibliographique
Résumé
The rapid progress of the artificial intelligence (AI) sector has greatly impacted vehicular edge components (VECs) in the vehicular ad hoc network (VANET). Various AI applications, including automatic driving, preaccident alerts, and video broadcasting, have become essential to meet VANET’s diverse requirements. However, implementing these applications in the resource-constrained urban sensing environment poses challenges. To overcome this, we proposed a novel approach that partitions resource-intensive ciphertext-policy attribute-based decryption (CP-ABE) tasks based on ciphertext (CT) policy into sub-CTs using machine learning. Our technique, CT-distribution DE (CD-DE), utilizes differential evolution (DE) to decrypt CP-ABE tasks on VECs. It includes a selection algorithm that allows the data owner vehicle to choose VEC components for decryption operations. Compared to widely used techniques such as particle swarm optimization (PSO) and genetic algorithm (GA), CD-DE offers lower overhead and provides accurate near-optimal solutions across most scenarios. Our study demonstrates the effectiveness of CD-DE in improving the efficiency and accuracy of resource-intensive CP-ABE tasks in VANETs. The proposed approach addresses the challenges posed by limited resources, bandwidth, and workload constraints in the urban sensing environment. By enabling efficient implementation of AI-based applications in vehicles within urban environments, our approach holds promise for enhancing VANETs’ capabilities.
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 | 0,001 | 0,001 |
| Science ouverte | 0,003 | 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 ».