Prevent Deception: On-Demand Data Synchronization for Vehicle Digital Twins
Notice bibliographique
Résumé
In digital-twin-enabled heterogeneous vehicular networks (DT-HetVNets), vehicles need to synchronize data to their DTs deployed in the cloud for decision-making. However, for a vehicle which is simultaneously covered by a group of heterogeneous network infrastructures, the DT of the vehicle (DT-V) can connect with the DTs of infrastructures (DT-Is) in different infrastructure groups across regions in the virtual networks so that each DT-V may deceive the DT-Is by interacting with multiple DT-I groups and selecting the optimal one to synchronize data. To this end, we propose an on-demand data synchronization scheme for DT-Vs and DT-Is. In the scheme, infrastructures and vehicles are grouped based on their geographical locations and the arrival time of each vehicle through which the DT-Vs and DT-Is can interact with each other to make decisions in groups. Then, the requirements of DT-Vs (i.e., minimize synchronization cost and maximize synchronization satisfaction) and DT-Is (i.e., maximize profits) are considered to design their utility functions and the decision-making process between the DT-Vs in each group and the DT-Is in each group is formulated as a Stackelberg game to obtain their optimal strategies. After that, considering the deceptive behavior of vehicles, a joint optimization algorithm that integrates the Stackelberg game and the selection of each DT-V is designed to obtain the real equilibrium solution for DT-Vs and DT-Is to maximize their utilities. Simulation results show that our scheme can obtain the highest utilities compared with the traditional schemes.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».