A Dynamic Threat Prevention Framework for Autonomous Vehicle Networks based on Ruin-theoretic Security Risk Assessment
Notice bibliographique
Résumé
In recent years, Autonomous Vehicle Networks (AVNs) have gained significant attention for their potential to make transportation safer and more efficient. These networks rely on Vehicle-to-Vehicle (V2V) communication to exchange critical information, such as location, speed, and driving intentions. However, V2V communication also introduces security vulnerabilities that can be exploited to compromise the safety and privacy of drivers and passengers. Malicious or selfish drivers can potentially intercept, modify, and manipulate V2V communication, causing confusion among vehicles or stealing sensitive data. Therefore, to identify and mitigate security threats that could jeopardize V2V communication in AVNs, the implementation of a threat prevention framework is imperative. This article presents a threat prevention framework that assesses security risks dynamically to facilitate secure message forwarding in V2V communication. First, we propose a dynamic risk assessment technique that utilizes the Probability-Impact-Exposure-Recovery metrics approach to evaluate the level of security threats posed to V2V communication and ultimately generate a risk score. Second, we develop a security decay assessment method that utilizes ruin theory to continuously monitor security risk within the AVNs. Third, we design a risk-aware message forwarding protocol based on coalitional game theory to facilitate secure V2V communication. Our experiments using the simulator Veins demonstrate the efficiency and scalability of the proposed framework in preventing potential damage caused by common security threats and enhancing the security of the Automated Highway System.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».