論文の概要: Schnorr Approval-Based Secure and Privacy-Preserving IoV Data Aggregation

• arxiv url: http://arxiv.org/abs/2402.09621v1
• Date: Wed, 14 Feb 2024 23:40:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 11:19:24.050512
• Title: Schnorr Approval-Based Secure and Privacy-Preserving IoV Data Aggregation
• Title（参考訳）: Schnorr承認ベースのセキュリティとプライバシ保護IoVデータ集約
• Authors: Rui Liu, Jianping Pan,
• Abstract要約: 本稿では,2層アーキテクチャに基づく新しいSchnorr承認に基づくIoVデータ集約フレームワークを提案する。 このフレームワークでは、サーバは、車の生データ、実際のアイデンティティ、軌跡を推測することなく、クラスタからIoVデータを集約することができる。
• 参考スコア（独自算出の注目度）: 5.854398238896761
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Secure and privacy-preserving data aggregation in the Internet of Vehicles (IoV) continues to be a focal point of interest in both the industry and academia. Aiming at tackling the challenges and solving the remaining limitations of existing works, this paper introduces a novel Schnorr approval-based IoV data aggregation framework based on a two-layered architecture. In this framework, a server can aggregate the IoV data from clusters without inferring the raw data, real identity and trajectories of vehicles. Notably, we avoid incorporating the widely-accepted techniques such as homomorphic encryption and digital pseudonym to avoid introducing high computation cost to vehicles. We propose a novel concept, data approval, based on the Schnorr signature scheme. With the approval, the fake data injection attack carried out by a cluster head can be defended against. The separation of liability is achieved as well. The evaluation shows that the framework is secure and lightweight for vehicles in terms of the computation and communication costs.
• Abstract（参考訳）: インターネット・オブ・ビークルズ(IoV)における安全とプライバシー保護のためのデータ収集は、業界と学界の両方に焦点を合わせ続けている。 本稿では、2層アーキテクチャに基づく新しいSchnorr承認ベースのIoVデータアグリゲーションフレームワークを提案する。 このフレームワークでは、サーバは、車の生データ、実際のアイデンティティ、軌跡を推測することなく、クラスタからIoVデータを集約することができる。 特に、車両に高い計算コストを導入することを避けるために、同型暗号やデジタル偽名といった広く受け入れられている手法を導入することを避ける。 我々はSchnorrシグネチャスキームに基づく新しい概念であるデータ承認を提案する。 この承認により、クラスタヘッドによって実行される偽データ注入攻撃を防御することができる。 負債の分離も達成される。 評価の結果、このフレームワークは、計算と通信のコストの観点から、車両にとって安全で軽量であることが示された。

関連論文リスト

• Application of Machine Learning Techniques for Secure Traffic in NoC-based Manycores [44.99833362998488]
  本論文は,NoCベースのマルチコアシステムにおけるDoS攻撃を検出するために,機械学習と時系列を用いたIDS手法を探索する。 マルチコアNoCからトラフィックデータを抽出し,抽出したデータから学習手法を実行する必要がある。 開発されたプラットフォームは、低レベルのプラットフォームでデータを検証します。
  論文  参考訳（メタデータ） (2025-01-21T10:58:09Z)
• VMGuard: Reputation-Based Incentive Mechanism for Poisoning Attack Detection in Vehicular Metaverse [52.57251742991769]
  車両メタバースガード(VMGuard)は、車両メタバースシステムをデータ中毒攻撃から保護する。 VMGuardは、参加するSIoTデバイスの信頼性を評価するために、評判に基づくインセンティブメカニズムを実装している。 当社のシステムは,従来は誤分類されていた信頼性の高いSIoTデバイスが,今後の市場ラウンドへの参加を禁止していないことを保証します。
  論文  参考訳（メタデータ） (2024-12-05T17:08:20Z)
• Blockchain-Enabled Variational Information Bottleneck for Data Extraction Based on Mutual Information in Internet of Vehicles [34.63863606532729]
  Internet of Vehicles (IoV) ネットワークは、限られた計算資源と個々の車両のデータ処理能力の問題に対処することができる。 ブロックチェーン技術を適用することで、IoV内のセキュアなデータリンクを確立することが可能になる。 本稿では、ブロックチェーンをBVIBと呼ぶVIBと統合する革新的なアプローチを紹介し、計算処理の軽量化とネットワークのセキュリティ強化を目的としている。
  論文  参考訳（メタデータ） (2024-09-20T17:30:19Z)
• FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles [5.803236995616553]
  フェデレートラーニングは、車載ネットワークで洗練された機械学習モデルをトレーニングするための有望なソリューションである。 我々は、フェデレーションオブジェクト検出実験をシミュレートする軽量MPIベースのプロトタイプであるFedPylotを紹介する。 本研究は, 精度, 通信コスト, 推論速度に影響を及ぼし, 自動運転車が直面する課題に対するバランスのとれたアプローチを示す。
  論文  参考訳（メタデータ） (2024-06-05T20:06:59Z)
• Generative AI for Secure and Privacy-Preserving Mobile Crowdsensing [74.58071278710896]
  生成AIは、学術分野と産業分野の両方から多くの注目を集めている。 セキュアでプライバシ保護のモバイルクラウドセンシング(SPPMCS)は、データ収集/取得に広く応用されている。
  論文  参考訳（メタデータ） (2024-05-17T04:00:58Z)
• 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)
• 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)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• A Data Quarantine Model to Secure Data in Edge Computing [0.0]
  エッジコンピューティングは、レイテンシに敏感で通信集約的なアプリケーションのためのアジャイルデータ処理プラットフォームを提供する。 データ整合性攻撃は一貫性のないデータにつながり、エッジデータ分析を邪魔する可能性がある。 本稿では,侵入者隔離によるデータ完全性攻撃を緩和するデータ隔離モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-15T11:04:48Z)
• Unsupervised Lane-Change Identification for On-Ramp Merge Analysis in Naturalistic Driving Data [0.0]
  シナリオ駆動アプローチは、シナリオの堅牢なデータ基盤の要件を強調するCAVの受け入れを得ています。 本研究では,シナリオ分類とアセスメントを可能にするオンランプシナリオ識別フレームワークを提案する。 フレームワークの有効性は、Test Bed Lower Saxonyで収集されたデータセットで示される。
  論文  参考訳（メタデータ） (2021-04-12T17:32:22Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。