Retraction Notice: Tensor-Based Secure Truthful Incentive Mechanism for Mobile Crowdsourcing in IoT-Enabled Maritime Transportation Systems
Notice bibliographique
Résumé
The evolution of the Internet of Things-enabled Maritime Transportation Systems (IoT-MTS) provides a sturdy data cornerstone for efficient maritime traffic scheduling and management. However, due to task heterogeneity and the limited computing power of individual vessels or stakeholders, although third-party clouds could provide powerful computing support for MTS, directly aggregating data from vessels to the cloud may cause privacy leakage and security concerns. Crowdsourcing as a newly distributed problem-solving paradigm could provide new solutions for conducting maritime big data computing, deep learning and sensing tasks by leveraging the crowd intelligence and computing power of vessels, but strong incentives are required to stimulate vessels to participate because of their selfishness and rationality. Nevertheless, existing incentives rarely consider the security problems caused by the man-in-the-middle attacks, honest-but-curious platform attacks and inference attacks simultaneously, and ignore the redundant winners and multi-attribute characteristics of participants. Toward this end, this paper proposes a tensor-based secure truthful incentive for IoT-MTS dubbed CrowdTensor to maximize the social welfare by eliminating redundant winners and meanwhile guaranteeing the desired economic properties, where the multi-attribute features and the complex association relationships of crowdsourcing systems are characterized by utilizing the tensor tool. A two-phase bid-preserving mechanism based on the cryptographic hash function and digital signature is introduced against malicious attacks. Both the rigorous theoretical analysis and extensive experimental results show that CrowdTensor outperforms other compared incentives and the desired properties can be achieved simultaneously.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».