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
- Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities [0.0]
従来の集中型セキュリティ手法は、IoTネットワークにおけるプライバシ保護とリアルタイム脅威検出のバランスをとるのに苦労することが多い。
本研究では,IoT環境に特化したフェデレート学習駆動型サイバーセキュリティフレームワークを提案する。
局所的に訓練されたモデルのセキュアアグリゲーションは、同型暗号を用いて達成され、機密情報を漏らさずに協調学習が可能である。
論文 参考訳（メタデータ） (2025-02-14T23:11:51Z) - Fine-Tuning Federated Learning-Based Intrusion Detection Systems for Transportation IoT [0.3333209898517398]
フェデレートラーニング(FL)は、分散エッジデバイス上でIDSモデルの分散トレーニングを可能にするための有望な方法として登場した。
本稿では,エッジデバイス上での軽量な微調整を実現しつつ,事前学習を中央サーバにオフロードするハイブリッドサーバエッジFLフレームワークを提案する。
このアプローチはメモリ使用量を最大42%削減し、トレーニング時間を最大75%削減し、競合IDSの精度を最大99.2%向上させる。
論文 参考訳（メタデータ） (2025-02-10T02:12:05Z) - FAPL-DM-BC: A Secure and Scalable FL Framework with Adaptive Privacy and Dynamic Masking, Blockchain, and XAI for the IoVs [0.0]
FAPL-DM-BCソリューションは、新しいFLベースのIoT(Internet of Vehicles, IoV)のためのプライバシ、セキュリティ、スケーラビリティソリューションである。
Adaptive Privacy-Aware Learning(FAPL)とDynamic Masking(DM)を活用して、プライバシポリシを学習し、適応的に変更する。
FAPL-DM-BCは、セキュアでスケーラブルで解釈可能なフェデレーション学習を保証する。
論文 参考訳（メタデータ） (2025-01-02T05:21:52Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Privacy-Preserving Intrusion Detection in Software-defined VANET using Federated Learning with BERT [0.0]
本研究では,Federated Learning (FL) 機能を用いた侵入検知手法を提案する。
FL-BERTは有望な結果を出し、この研究分野のさらなる研究の道を開いた。
この結果から,FL-BERTは攻撃検出を向上するための有望な手法であることが示唆された。
論文 参考訳（メタデータ） (2024-01-14T18:32:25Z) - The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。
本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。
新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
論文 参考訳（メタデータ） (2024-01-03T07:47:22Z) - When Authentication Is Not Enough: On the Security of Behavioral-Based Driver Authentication Systems [53.2306792009435]
我々はランダムフォレストとリカレントニューラルネットワークアーキテクチャに基づく2つの軽量ドライバ認証システムを開発した。
我々は,SMARTCANとGANCANという2つの新しいエスケープアタックを開発することで,これらのシステムに対する攻撃を最初に提案する。
コントリビューションを通じて、これらのシステムを安全に採用する実践者を支援し、車の盗難を軽減し、ドライバーのセキュリティを高める。
論文 参考訳（メタデータ） (2023-06-09T14:33:26Z) - 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) - 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)
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。