RTE: Rapid and Reliable Trust Evaluation for Collaborator Selection and Time-Sensitive Task Handling in Internet of Vehicles
Notice bibliographique
Résumé
By enabling connectivity and collaboration among moving vehicles, Internet of Vehicles (IoV) is expected to bring dramatically improved road safety and traffic efficiency. With limited onboard resources and real-time operational constraints, achieving these goals through handling time-sensitive IoV services and tasks inevitably relies on rapid and reliable collaboration among moving vehicles. Due to safety-related considerations, such collaboration always requires complex evaluation of potential collaborative vehicles, resulting in increased latency in time-sensitive IoV task handling. To achieve rapid and reliable IoV collaboration, a comprehensive concept of trust among neighboring vehicles is first conceptualized in this article to maximize Quality of Experience (QoE) by expediting the IoV collaborator selection as well as overall task handling. Specifically, we propose a new concept of indirect trust and the related Rapid and reliable Trust Evaluation (RTE) mechanism by enabling trust transfer from reliable third parties to reduce the trust evaluation latency of potential collaborative peers. Furthermore, capability trust and direct experiential trust are introduced as two additional evaluation factors in RTE to assess the capability and reliability of collaborators and to reduce task computation time. Finally, the different factors of the proposed trust, i.e., indirect trust, direct experiential trust, and capability trust, are integrated and adaptively utilized at different stages of IoV collaboration by a proposed adaptive trust factor aggregation scheme. Simulation results demonstrate that the proposed RTE mechanism achieves higher QoE with reduced task completion latency by swiftly selecting the optimal IoV collaborator compared to existing trust evaluation mechanisms.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».