A VeReMi-based Dataset for Predicting the Effect of Attacks in VANETs
Notice bibliographique
Résumé
Vehicular Ad Hoc Networks (VANETs) have received considerable attention because of their potential to improve road safety. However, reactive security approaches in VANETs are of concern; thus, proactive security is needed to prevent cyberattacks. The current VANET datasets are limited in their ability to evaluate proactive security approaches, limiting research in this area. This paper presents a VeReMi-based dataset named VeReMi for Attack Prediction (VeReMiAP). Developed from the Framework For Misbehavior Detection (F2MD). VeReMiAP incorporates three key elements: Cooperative Awareness Messages (CAMs), a new class of attacks known as Fake Reporting Attacks, and an evaluation of the impact of this attack, which in this case manifests as a road hazard. The ripple effect of this attack goes beyond the targeted vehicle, making it a threat to the overall security and reliability of VANETs. The VeReMiAP dataset evaluates cyberattack prediction techniques and generates countermeasure solutions for VANET attacks. To test the dataset, we conducted a temporal analysis to observe the effect of the attack on velocity and a geospatial analysis to enhance our understanding of the spatial distribution of hazards within the road network. Results show that VeReMiAP is a potential tool to advance security research 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».