ZTID-IoV: Zero-Trust Intrusion Detection in IoV Using Neurosymbolic AI Approach With Federated Meta-Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid growth of the Internet of Vehicles (IoVs) and smart consumer electronics has generated cybersecurity concerns that require an intelligent, adaptable, and privacy-preserving Intrusion Detection System (IDS). This study introduces ZTID-IoV, a novel neurosymbolic AI framework that integrates federated learning, lightweight transformers, and meta-learning to improve threat detection while preserving user privacy in consumer IoVs. Our approach leverages neural components such as a transformer model for recognizing patterns in network traffic, combined with symbolic AI techniques such as self-organizing maps for interpretable client clustering and rule-guided reasoning, to achieve robust cybersecurity in distributed environments. A lightweight transformer architecture optimizes performance for resource-constrained edge devices, and SOM-based clustering enhances model aggregation by grouping devices with similar behavioral patterns. The proposed system employs Model-Agnostic Meta-Learning (MAML) to enable rapid adaptation to emerging threats across diverse consumer devices, while federated learning ensures decentralized model training without exposing sensitive user data. Experiments on real-world IoT intrusion datasets demonstrate that our framework achieves higher detection accuracy compared to centralized and pure neural approaches while maintaining low computational overhead. Additionally, the neurosymbolic design provides interpretable threat explanations, crucial for consumer applications where transparency is essential. The results highlight the potential of ZTID-IoV in enabling zero-trust security for IoV and other connected consumer electronics. This work contributes to the evolving landscape of AI-driven cybersecurity by addressing critical challenges in privacy and adaptability, making ZTID-IoV particularly suitable for next-generation IoV ecosystems.
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.
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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle