EPTS: Efficient and Privacy-Preserving Outsourced Task Scheduling in Vehicular Crowdsourcing
Notice bibliographique
Résumé
The flourishing of intelligent connected vehicles (ICVs) has fostered the emergence of vehicular crowdsourcing (VCS) applications, in which ICVs function as workers to execute diverse spatio-temporal critical tasks. As a vital service of VCS, task scheduling aims to assign tasks to the most suitable workers. To cope with the escalation of service scale, the service provider tends to outsource the service to powerful cloud servers, which however triggers the privacy concerns of workers, task owners, and the service provider. Previously reported privacy-preserving task allocation schemes can mainly be divided into single-attribute-aware and multiattribute-aware schemes. Nevertheless, the former suffers from practicality issues, while the latter either fails to achieve single-dimensional privacy and access pattern privacy or introduces substantial computational costs. To tackle the above challenges, we propose an efficient privacy-preserving outsourced task scheduling scheme (EPTS) for VCS, in which two cloud servers can cooperate to efficiently and securely conduct multiattribute-aware task scheduling. To this end, we devise five lightweight secure two-party protocols under the additive secret sharing (ASS) setting, which enable cloud servers to obliviously filter workers that meet multiple constraints and traverse the candidate worker set to obtain the optimal worker without revealing the input and output. Rigorous security analysis proves that our EPTS scheme effectively preserves user privacy, single-dimensional privacy, and access pattern privacy. Extensive experimental results validate its superior efficiency compared with the state-of-the-art scheme.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».