CLDP=FATD: Secure Federated Averaging Threat Detection Framework for Intelligent Vehicle Sensor Networks Based on Client-Level Differential Privacy
Notice bibliographique
Résumé
The certification of real-time information in vehicles depends on threat detection. Intelligent vehicle sensor networks (IVSNs) have revolutionized modern transportation systems, enhancing traffic management and providing greater comfort. However, the increased use of smart sensing technologies has made connected and intelligent vehicles (CIVs) an attractive target for unauthorized access. Consequently, CIV owners are keen to ensure the security of their vehicle information, particularly the positioning, timing, and navigation of their vehicles. This article proposes a federated framework that utilizes client-level differential privacy (CLDP) to prevent privacy attacks, such as model inversion and membership inference attacks. In these attacks, an unauthorized party attempts to extract sensitive data from the model’s outputs to exploit its predictive capabilities. The CLDP-federated averaging threat detection (CLDP-FATD) approach utilizes Rényi-DP-Fed-Avg (RDP)/<inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$(\alpha, \epsilon)$ </tex-math></inline-formula>-DP, as an alternative to traditional DP algorithms to safeguard privacy and prevent data leakage within the federated learning (FL) framework. The efficacy of the proposed framework was evaluated using a GPS spoofing attack dataset. The findings demonstrate that the proposed scheme ensures collaborative privacy-utility tradeoff for CIV, achieving a minimal privacy budget <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$(\epsilon)$ </tex-math></inline-formula> of 0.99 at 94.27% and 2.0 at 88.42% for binary and multiclass, respectively, outperforming existing approaches.
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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».