Protection of Critical Emergency Response Infrastructures through Machine Learning
Notice bibliographique
Résumé
Critical Emergency Response Infrastructures are essential to supporting the goals of sustainable development, especially during crises or emergencies that disrupt sustainable progress. While they provide the framework that enables emergency response operations to be effective and resilient, Public Safety Answering Points (PSAP) are the operational frontline of emergency response. A PSAP is the communications center where emergency calls made by the public are received (e.g., by dialing 911 in the United States and Canada, 112 in Europe, or equivalent local emergency numbers).The increasing reliance on PSAPs to ensure the appropriate response of civil protection services requires the implementation of advanced mechanisms to protect these essential infrastructures against possible unauthorized increases in call volume, which have the potential to affect citizen assistance in critical situations. This study employs statistical and machine learning techniques to analyse call patterns in PSAPs to identify and mitigate the effect of potentially malicious non-emergency calls. By using data analysis methods and pattern recognition techniques, it is feasible to characterise genuine emergency calls and differentiate them from those made with the intention of overloading the system, thus ensuring that response times for real emergencies are not compromised. Starting with the generation of a synthetic dataset that emulates the most significant features of a Telephony Denial of Service, along with an extensive set of real data, this research follows a multidimensional approach by combining temporal-spatial analysis and machine learning algorithms to characterize the behavioral patterns of emergency calls, using Gaussian Mixture Model. The obtained results identify the Gaussian Mixture Model (GMM), a probabilistic model that assumes that data points are generated from a mixture of a finite number of Gaussian distributions with unknown parameters, as an optimal solution for this characterization.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».