A SAT-Guard-V-Satellite-First Edge-AI Framework for Real-Time Vehicle Theft Detection & Resilient Alerting
Notice bibliographique
Résumé
Vehicle theft cases are biggest issues in worldwide and these cases are severe in ruler areas, where the mobile coverage areas are limited. SATGuard-V provide end-to-end vehicular security system that combines on-board edge AI, satellite IoT communication, and tamper-evident logging. The vehicle-mounted unit fuses CAN-bus telemetry, inertial (IMU) data, door/ignition status and GNSS signals. A lightweight anomaly detector (cascaded LSTM plus one-class auto-encoder) runs on this edge unit to identify theft patterns (unauthorized ignition, towing motion, flatbed transport, or GPS spoofing). Detected events trigger a prioritized cryptographically-signed alert payload sent via satellite (targeting Inmarsat’s ELERA/ISAT Data Pro L-band IoT network) to distributed servers. Those servers perform corroborative analysis and record incidents in a permissioned blockchain for auditing. The design explicitly copes with satellite link constraints and GNSS spoofing via multi-constellation cross-checks. The MATLAB-based simulation methodology used for real driving data (e.g. recorded GPS/telemetry logs), easy-to-use ML tools, and a software-modeled Inmarsat link. A Simulink model for analyzing and confirming the performance by measuring detection precision/recall/F1 and communication overhead will be used. Finally from results we can conclude that method significantly minimize the risk of false alarms and provide send alert of delivery received, even when terrestrial networks fail.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
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 ».