Beyond the Attack: Strategies for Attack Endgame Mitigation in VANETs
Notice bibliographique
Résumé
In Vehicular Ad Hoc Networks (VANETs), neutralizing attack effects is essential for safeguarding human safety and maintaining network efficacy. This paper proposes new strategies to preempt and neutralize the attack endgame. Our strategies specifically address Fake Reporting Attacks, notorious for creating deceptive messages that lead to hazardous and life threatening situations. The significant frequency and severity of these attacks, culminating in road hazards, underscore the urgency for a concentrated research effort in this field. Our research adopts a dual-faceted approach, comprising both preventative measures for attack endgames and subsequent counteractive strategies. Utilizing the VeReMi for Attack Prediction (VeReMiAP) dataset and leveraging advancements in attack effect prediction, our research introduces a dual-phase approach to mitigate attack endgames. The first phase, endgame prevention, is achieved by deploying advanced Recurrent Neural Network (RNN) models that forecast the potential impact of harmful messages, thereby enabling early intervention. The second phase, endgame countermeasure, employs Geofencing, which uses the Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm for strategic message control and Dynamic Blacklist Management (DBM) based on Reputation System-Based Lightweight Message Authentication (RSMA) to exclude malign vehicles. Our findings indicate a reduction in hazardous events by over 40% and a threefold increase in vehicular speed recovery within the network, substantiating the efficacy of our proposed solutions in bolstering VANET security.
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) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».