A Systematic Literature Review on Internet of Vehicles Security Challenges and Penetration Testing Solutions
Notice bibliographique
Résumé
This systematic literature review examines security challenges and penetration testing mitigations within the Internet of Vehicles (IoV), integrated with 5G technology. While IoV improves traffic control, road safety and sustainable transportation, it incurs serious cybersecurity vulnerabilities. Cyber threats include Denial of Service (DoS), Man in the Middle (MitM), and eavesdropping are very common in this paradigm. They can eventually compromise the integrity, confidentiality, and availability of vehicular data, leading to traffic accidents and data leakage. According to Kitchenham guidelines, this review follows an extensive search about peer-reviewed articles in the past 5 years. This synthesizes the findings to reveal critical vulnerabilities in the IoV systems, more particularly those it exacerbates by 5G technology, and underscores the importance of penetration testing. It is an important way of identifying and fixing the system vulnerabilities through a simulated cyberattack within a controlled environment before such vulnerabilities may be used by malevolent actors. Effective strategies are also reviewed, such as compliance testing, machine learning for anomaly detection, and advanced model-checking tools such as Scyther and Tamarin. The review also explores current penetration testing practices updated to address dynamic cyber threats. Case studies, such as security and privacy issues of 5G-enabled autonomous platoons, demonstrate practical applications. Suggestions for future research include enhancing threat detection and prediction techniques, developing security frameworks tailored to IoV environments, and fostering cooperation between academia and industry. This SLR is a valuable resource for researchers and practitioners interested in securing IoV systems against evolving cyber threats, particularly as these systems advance with 5G technology.
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 | 0,006 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,015 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».