DDoS Attack Prevention in Autonomous Vehicle’s OTA Updates: Combining PBFT Consensus and Distributed Firewall in Hyperledger Fabric Blockchain
Notice bibliographique
Résumé
The advent of connected autonomous vehicles (CAVs) is bringing forth a revolutionary new era of technology transforming transportation. For traffic to be optimized and safe, efficient vehicle-to-everything collaboration and improved autonomous vehicles (AV) decision-making are crucial. It becomes essential to make decisions in real time using information from vehicle sensors, software, and traffic data. As a part of such an In-Vehicle Network (IVN), over-the-air (OTA) software update service in CAVs needs to be facilitated rapidly, reliably, and securely. However, by taking advantage of vulnerabilities, attackers may quickly target the OTA software update as part of botnets to execute distributed denial-of-service (DDoS) attacks. The enormous volume and widespread nature of these DDoS cyber-attacks make it vital for the CAV industry to work quickly on identifying and preventing these threats. This paper proposes proof-of-concept experiments with the Hyperledger Fabric (HLF) Blockchain model to detect and prevent DDoS attacks in CAVs, OTA update systems. The proposed method implements Practical Byzantine Fault Tolerance (PBFT) as the consensus mechanism and a distributed firewall to ensure the ledger is secure and tamper’ proof. The system is tested on the Amazon Elastic Compute Cloud (EC2) Blockchain (BC) platform. The results show that the proposed approach effectively prevents DDoS attacks while ensuring fast transaction execution time.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».