Efficient and Secure Data Sharing With Mobile Crowdsensing in Internet of Vehicles
Notice bibliographique
Résumé
Promoting data sharing is one of the critical strategies for thriving in the digital age, and enormous demand for location-based services propels data sharing in the Internet of Vehicles (IoV), particularly in the case of integrating mobile crowdsensing (MCS). However, data security and privacy concerns are increasingly posing serious challenges to the development of data sharing. Although a slew of works have been designed to achieve secure data sharing in IoV, they are inadequate for addressing the privacy issues identified in the data sharing model and often suffer from performance limitations. In this work, we propose an efficient and secure data sharing scheme under the MCS-integrated IoV. Specifically, motivated by the distributed point function (DPF), we design a double-output DPF and leverage it to construct a secure updating scheme that protects full privacy while ensuring high efficiency. Then, based on the XOR filter and a series of subtle transformations, we carefully design a secure spatial test protocol to determine whether a point falls within an arbitrary spatial range efficiently. Afterward, we propose a secure retrieving protocol by using the idea of shared shuffling, in which the offline sub-protocol is presented to generate random masks, and the online sub-protocol is designed to quickly retrieve the desired data items. After formally proving the security of our proposed schemes, we experimentally evaluate their efficiency by comparing them with the alternative solutions, and the results indicate that our proposed schemes offer superior performance, particularly in terms of communication overheads.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».