Multi-Authorized, Privacy-Protected, and Traceable Driverless Taxi Data Sharing in Internet of Vehicles
Notice bibliographique
Résumé
Advanced wireless communication and artificial intelligence technologies are significantly facilitating the deployment of driverless taxis (DTs). To ensure high-quality of DT services, data sharing among DTs is essential during service provision. However, at least three key challenges are then raised in terms of security and privacy: 1) guaranteeing data authenticity with traceability; 2) enabling flexible data authorization and preserving privacy amid complex data ownership; and 3) protecting DT privacy under frequent data sharing. Most existing works address only one aspect, such as data authenticity, privacy preservation, or single-entity authorization. To address these challenges, we propose a novelMulti-authorized,Privacy-protected, andTraceableDataSharing (MPTDS) scheme for DTs. Firstly, MPTDS upholds data privacy preservation by designing the data sharing credential for each DT and the data access credential for each service provider. Data sharing credential also ensures anonymity and unlinkability of DTs. Secondly, MPTDS ensures data integrity and origin authentication by designing the credential-based authentication technique for DT, which also enables the traceability. Additionally, MPTDS facilitates the data multi-authorization by designing the data sharing credential multi-party issuance technique without sacrificing the non-frameabiltiy. We conduct security analyses and performance evaluations to validate the security properties and practicality of MPTDS.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».