論文の概要: SAFEMYRIDES: Application of Decentralized Control Edge-Computing to
Ridesharing Monitoring Services
- arxiv url: http://arxiv.org/abs/2301.00888v1
- Date: Mon, 2 Jan 2023 21:54:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 14:57:23.574827
- Title: SAFEMYRIDES: Application of Decentralized Control Edge-Computing to
Ridesharing Monitoring Services
- Title(参考訳): SAFEMYRIDES:分散制御エッジ計算のライダー共有モニタリングサービスへの応用
- Authors: Samaa Elnagar, Manoj A. Thomas, Kweku-Muata Osei-Bryson
- Abstract要約: この研究は、ほとんどの計算と決定がモノのインターネットに移動される分散制御エッジモデルを導入している。
このモデルはまた、セキュリティとプライバシのリスクを引き起こすデータ転送を避ける。
モデルを検討するため,シーン認識型ライドシェアリング監視システムであるSAFEMYRIDESを開発した。
- 参考スコア(独自算出の注目度): 3.6739949215165164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Edge computing is changing the face of many industries and services. Common
edge computing models offload computing which is prone to security risks and
privacy violation. However, advances in deep learning enabled Internet of
Things (IoTs) to take decisions and run cognitive tasks locally. This research
introduces a decentralized-control edge model where most computation and
decisions are moved to the IoT level. The model aims at decreasing
communication to the edge which in return enhances efficiency and decreases
latency. The model also avoids data transfer which raises security and privacy
risks. To examine the model, we developed SAFEMYRIDES, a scene-aware
ridesharing monitoring system where smart phones are detecting violations at
the runtime. Current real-time monitoring systems are costly and require
continuous network connectivity. The system uses optimized deep learning that
run locally on IoTs to detect violations in ridesharing and record violation
incidences. The system would enhance safety and security in ridesharing without
violating privacy.
- Abstract(参考訳): エッジコンピューティングは多くの産業やサービスの面を変えつつある。
一般的なエッジコンピューティングモデルは、セキュリティリスクとプライバシ侵害につながる計算をオフロードする。
しかし、ディープラーニングの進歩により、IoT(Internet of Things)は決定を下し、ローカルで認知タスクを実行できるようになった。
この研究は、ほとんどの計算と決定がIoTレベルに移動される分散制御エッジモデルを導入している。
このモデルは、エッジへの通信を減らすことを目的としており、それによって効率が向上し、レイテンシーが減少する。
このモデルはまた、セキュリティとプライバシのリスクを引き起こすデータ転送を避ける。
SAFEMYRIDES(SAFEMYRIDES)は,スマートフォンが実行時に違反を検出するシーン認識型ライドシェアリング監視システムである。
現在のリアルタイム監視システムは費用がかかり、連続的なネットワーク接続が必要である。
このシステムは、IoT上でローカルに実行される最適化されたディープラーニングを使用して、ライドシェアリングにおける違反を検出し、違反発生を記録する。
このシステムは、プライバシーを侵害することなく、ライドシェアリングの安全性とセキュリティを高める。
関連論文リスト
- Sparse Federated Training of Object Detection in the Internet of
Vehicles [13.864554148921826]
物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである
現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。
そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-07T08:58:41Z) - Safe Deep Reinforcement Learning by Verifying Task-Level Properties [84.64203221849648]
コスト関数は、安全深層強化学習(DRL)において一般的に用いられる。
このコストは通常、国家空間における政策決定のリスクの定量化が難しいため、指標関数として符号化される。
本稿では,ドメイン知識を用いて,そのような状態に近接するリスクを定量化するための代替手法について検討する。
論文 参考訳(メタデータ) (2023-02-20T15:24:06Z) - Privacy-Preserving Joint Edge Association and Power Optimization for the
Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。
提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
論文 参考訳(メタデータ) (2023-01-26T10:09:23Z) - 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) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection [0.0]
セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
論文 参考訳(メタデータ) (2022-04-08T19:06:16Z) - Federated Learning for Intrusion Detection System: Concepts, Challenges
and Future Directions [0.20236506875465865]
侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。
本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
論文 参考訳(メタデータ) (2021-06-16T13:13:04Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳(メタデータ) (2021-06-03T16:45:40Z) - FedSup: A Communication-Efficient Federated Learning Fatigue Driving
Behaviors Supervision Framework [10.38729333916008]
FedSupは、プライバシーと効率的な疲労検出のためのクライアントエッジクラウドフレームワークです。
FedSupは、フェデレーション学習技術にインスパイアされ、クライアント、エッジ、クラウドサーバー間のコラボレーションをインテリジェントに活用します。
論文 参考訳(メタデータ) (2021-04-25T07:16:49Z) - Smart and Secure CAV Networks Empowered by AI-Enabled Blockchain: Next
Frontier for Intelligent Safe-Driving Assessment [17.926728975133113]
コネクテッド・自動運転車(CAV)の安全運転状況の確保は、引き続き広く懸念されている。
アルゴリズム対応型intElligent Safe-Driven AssessmentmenT(BEST)の新たなフレームワークを提案し、スマートで信頼性の高いアプローチを提供します。
論文 参考訳(メタデータ) (2021-04-09T19:08:34Z) - Local Differential Privacy based Federated Learning for Internet of
Things [72.83684013377433]
Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。
これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。
本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
論文 参考訳(メタデータ) (2020-04-19T14:03:10Z)
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。