Efficient Privacy-Preserving Task Allocation With Secret Sharing for Vehicular Crowdsensing
Notice bibliographique
Résumé
Vehicular crowdsensing (VCS) has emerged as a promising paradigm, in which spatio-temporal-based sensing tasks are outsourced to intelligent connected vehicles (ICVs) carrying sensor-equipped devices. A critical issue of VCS is to guarantee the spatio-temporal sensing coverage by assigning tasks to appropriate vehicles, which inevitably requires vehicles’ precise locations or trajectories and thus raises location privacy concerns. To address this problem, we propose a novel secret sharing-based efficient privacy-preserving task allocation scheme for VCS, which can select sensing vehicles with approximately optimal total spatio-temporal coverage based on their future trajectories while achieving strong location privacy preservation for users (customers and sensing vehicles). With a grid-based region encoding method, a user’s location information is encoded as a binary array, termed as the region code. Based on the idea of secret sharing, we design a bit-wise XOR-based secret splitting method to split a user’s region code into two random shares and separately transmit them to two fog servers, thereby perfectly hiding the original location information. With a carefully-designed code permutation mechanism and a greedy task allocation algorithm, the cloud server and fog servers can efficiently collaborate and complete task allocation based on permuted region codes without revealing users’ location information. Detailed security analysis shows that our proposed scheme effectively preserves users’ location privacy. Extensive experiments conducted on a realistic traffic scenario data set also demonstrate that it is efficient in communication and computation while achieving large total spatio-temporal coverage.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».