論文の概要: Machine Learning for Security in Vehicular Networks: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2105.15035v1
• Date: Mon, 31 May 2021 15:15:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 16:47:17.765612
• Title: Machine Learning for Security in Vehicular Networks: A Comprehensive Survey
• Title（参考訳）: 車両ネットワークにおけるセキュリティのための機械学習: 包括的調査
• Authors: Anum Talpur and Mohan Gurusamy
• Abstract要約: 本稿では,車載ネットワークにおけるさまざまなセキュリティ問題に対するMLベースの手法に関する包括的調査を行う。 本稿では、車両ネットワークにおけるセキュリティ攻撃の分類を提案し、様々なセキュリティ課題と要件について議論する。 さまざまなセキュリティ課題に対処する上で、これらのMLテクニックのソリューションアプローチと動作原則を説明します。
• 参考スコア（独自算出の注目度）: 4.010371060637208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning (ML) has emerged as an attractive and viable technique to provide effective solutions for a wide range of application domains. An important application domain is vehicular networks wherein ML-based approaches are found to be very useful to address various problems. The use of wireless communication between vehicular nodes and/or infrastructure makes it vulnerable to different types of attacks. In this regard, ML and its variants are gaining popularity to detect attacks and deal with different kinds of security issues in vehicular communication. In this paper, we present a comprehensive survey of ML-based techniques for different security issues in vehicular networks. We first briefly introduce the basics of vehicular networks and different types of communications. Apart from the traditional vehicular networks, we also consider modern vehicular network architectures. We propose a taxonomy of security attacks in vehicular networks and discuss various security challenges and requirements. We classify the ML techniques developed in the literature according to their use in vehicular network applications. We explain the solution approaches and working principles of these ML techniques in addressing various security challenges and provide insightful discussion. The limitations and challenges in using ML-based methods in vehicular networks are discussed. Finally, we present observations and lessons learned before we conclude our work.
• Abstract（参考訳）: 機械学習(ML)は、幅広いアプリケーションドメインに対して効果的なソリューションを提供する、魅力的な、実行可能な技術として登場した。 重要なアプリケーションドメインは車載ネットワークであり、MLベースのアプローチは様々な問題に対処するのに非常に有用である。 車両ノードと/またはインフラ間の無線通信を使用することで、異なるタイプの攻撃に対して脆弱になる。 この点において、MLとその変種は攻撃を検出し、車両通信における様々な種類のセキュリティ問題に対処するために人気を集めている。 本稿では,車両網における異なるセキュリティ問題に対するmlベース手法の包括的調査を行う。 まず、車載ネットワークと異なる種類の通信の基本について簡単に紹介する。 従来の車両網とは別に、現代の車両網アーキテクチャも検討する。 車両ネットワークにおけるセキュリティ攻撃の分類を提案し,様々なセキュリティ課題と要件について議論する。 我々は、車載ネットワークアプリケーションでの使用に基づいて、文献で開発されたMLテクニックを分類する。 さまざまなセキュリティ課題に対処する上で,これらのml技術のソリューションアプローチと動作原理を説明し,洞察に富んだ議論を行う。 車両ネットワークにおけるMLに基づく手法の限界と課題について論じる。 最後に,研究を終える前に得た観察と教訓を紹介する。

関連論文リスト

• Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
  機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。 電力信号に注入された逆方向の歪みは システムの正常な制御と操作に大きな影響を及ぼす 安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
  論文  参考訳（メタデータ） (2023-08-30T03:29:26Z)
• ChatGPT is on the Horizon: Could a Large Language Model be Suitable for Intelligent Traffic Safety Research and Applications? [2.5037019262278792]
  ChatGPTは人工知能の新しい時代に乗り出し、インテリジェントな交通安全システムへのアプローチに革命をもたらすだろう。 本稿では,大規模言語モデル(LLM)の開発に関する簡単な紹介から始める。
  論文  参考訳（メタデータ） (2023-03-06T16:36:17Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• When Machine Learning Meets Spectrum Sharing Security: Methodologies and Challenges [19.313414666640078]
  インターネット接続システムの指数関数的成長は、スペクトル不足問題など、多くの問題を引き起こしている。 複雑でダイナミックなスペクトル共有(SS)システムは、潜在的なセキュリティとプライバシの問題に晒される可能性がある。 これらの問題に対処するために機械学習(ML)ベースの手法が頻繁に提案されている。
  論文  参考訳（メタデータ） (2022-01-12T20:04:28Z)
• Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
  自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。 一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。 我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
  論文  参考訳（メタデータ） (2021-06-09T05:56:42Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)
• Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
  本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。 まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。 次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-15T14:19:55Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)
• Federated Learning in Vehicular Networks [41.89469856322786]
  フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。 本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。 データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
  論文  参考訳（メタデータ） (2020-06-02T06:32:59Z)
• Machine Learning for Intelligent Optical Networks: A Comprehensive Survey [9.947717243638289]
  コミュニケーションネットワークにおけるインテリジェンス向上は必須であり、人工知能(AI)と機械学習(ML)を取り入れている側面もいくつかある。 本稿では,知的光ネットワークにおけるMLの既存応用に関する詳細な調査を行う。 MLの応用は、光学ネットワーク制御と資源管理に分類され、光学ネットワークの監視と生存可能性に分類される。
  論文  参考訳（メタデータ） (2020-03-11T13:51:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。