論文の概要: A fuzzy reward and punishment scheme for vehicular ad hoc networks

• arxiv url: http://arxiv.org/abs/2405.04892v1
• Date: Wed, 8 May 2024 08:55:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-09 14:54:31.178854
• Title: A fuzzy reward and punishment scheme for vehicular ad hoc networks
• Title（参考訳）: 車両アドホックネットワークにおけるファジィ報酬と罰則
• Authors: Rezvi Shahariar, Chris Phillips,
• Abstract要約: 信頼モデルは、報酬や罰を与えるメッセージを評価する。 これはドライバーの将来の行動に影響を与えるのに使われる。 新たなファジィRSUコントローラは、報酬や罰を決定するために、インシデント、運転者の過去の行動、RSU信頼の重症度を考慮する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trust management is an important security approach for the successful implementation of Vehicular Ad Hoc Networks (VANETs). Trust models evaluate messages to assign reward or punishment. This can be used to influence a driver's future behaviour. In the author's previous work, a sender side based trust management framework is developed which avoids the receiver evaluation of messages. However, this does not guarantee that a trusted driver will not lie. These "untrue attacks" are resolved by the RSUs using collaboration to rule on a dispute, providing a fixed amount of reward and punishment. The lack of sophistication is addressed in this paper with a novel fuzzy RSU controller considering the severity of incident, driver past behaviour, and RSU confidence to determine the reward or punishment for the conflicted drivers. Although any driver can lie in any situation, it is expected that trustworthy drivers are more likely to remain so, and vice versa. This behaviour is captured in a Markov chain model for sender and reporter drivers where their lying characteristics depend on trust score and trust state. Each trust state defines the driver's likelihood of lying using different probability distribution. An extensive simulation is performed to evaluate the performance of the fuzzy assessment and examine the Markov chain driver behaviour model with changing the initial trust score of all or some drivers in Veins simulator. The fuzzy and the fixed RSU assessment schemes are compared, and the result shows that the fuzzy scheme can encourage drivers to improve their behaviour.
• Abstract（参考訳）: 信頼管理は、Vehicular Ad Hoc Networks (VANETs) の実装を成功させるために重要なセキュリティアプローチである。 信頼モデルは、報酬や罰を与えるメッセージを評価する。 これはドライバーの将来の行動に影響を与えるのに使われる。 筆者の以前の研究で,メッセージの受信者評価を回避するために,送信側ベースの信頼管理フレームワークを開発した。 しかし、これは信頼できるドライバーが嘘をつかないことを保証しない。 これらの「偽の攻撃」はRSUによって解決され、紛争の解決に協力し、一定の報酬と罰を与える。 本論文では,事故の重大さ,運転者の過去の行動,RSU信頼度を考慮したファジィRSUコントローラを用いて,衝突したドライバーに対する報酬や罰を判定する。 どのドライバーもどんな状況でも嘘をつくことはできるが、信頼できるドライバーはそのような状況に留まる傾向があり、その逆も期待されている。 この振る舞いは、信頼スコアと信頼状態に依存する送信者とレポータードライバのためのマルコフ連鎖モデルでキャプチャされる。 各信頼状態は、異なる確率分布を用いてドライバーが嘘をつく可能性を定義する。 ファジィ評価の性能評価とマルコフ連鎖ドライバの挙動モデルについて,Veinsシミュレータにおける全又は一部のドライバの初期信頼スコアを変化させて検討するために,広範囲なシミュレーションを行った。 ファジィと固定RSU評価スキームを比較し, ファジィスキームがドライバーの行動改善を促すことを示す。

関連論文リスト

• A trust management framework for vehicular ad hoc networks [0.0]
  信頼管理は、信頼スコアに応じて認証ユーザーからの攻撃に対処するために使用される。 本稿では,送信側車両における信頼を制御するための,TPDに基づく信頼管理フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-08T08:35:48Z)
• A Diachronic Perspective on User Trust in AI under Uncertainty [52.44939679369428]
  現代のNLPシステムは、しばしば未分類であり、ユーザの信頼を損なう確実な誤った予測をもたらす。 賭けゲームを用いて,信頼を損なう事象に対するユーザの信頼の進化について検討する。
  論文  参考訳（メタデータ） (2023-10-20T14:41:46Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Vehicle lateral control using Machine Learning for automated vehicle guidance [0.0]
  安全クリティカルシステムで使用される機械学習モデルにおいて、意思決定の不確実性は不可欠である。 本研究では,機械学習モデルを用いて車両の横方向制御系を設計する。
  論文  参考訳（メタデータ） (2023-03-14T19:14:24Z)
• Is my Driver Observation Model Overconfident? Input-guided Calibration Networks for Reliable and Interpretable Confidence Estimates [23.449073032842076]
  運転観察モデルは完璧な条件下で展開されることは滅多にない。 生のニューラルネットワークベースのアプローチは、予測品質を大幅に過大評価する傾向がある。 本稿では,CARing(Callibrated Action Recognition with Input Guidance)という,ビデオ表現による信頼度向上学習のためのニューラルネットワークを活用した新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-10T12:43:58Z)
• Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
  早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。 安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。 本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-28T23:00:30Z)
• Unsupervised Driver Behavior Profiling leveraging Recurrent Neural Networks [6.8438089867929905]
  本研究では,教師なし学習パラダイムを活用したドライバの行動プロファイリング手法を提案する。 まず,運転者の行動プロファイル問題を異常検出に用いた。 次に,特徴ベクトル列が与えられた次の特徴ベクトルを予測する再帰的ニューラルネットワークを構築した。 第三に、攻撃的なドライバーの行動を特定するために、最適なシーケンス長のレベルを解析した。
  論文  参考訳（メタデータ） (2021-08-11T07:48:27Z)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data [17.156611944404883]
  DeepTakeは、取得行動の複数の側面を予測する新しいディープニューラルネットワークベースのフレームワークである。 車両データ、ドライバーバイオメトリックス、主観的測定からの特徴を用いて、deeptakeはドライバーの意図、時間、乗っ取りの質を予測する。 その結果、DeepTakeは、それぞれ96%、93%、83%の精度で、取得の意図、時間、および品質を確実に予測しています。
  論文  参考訳（メタデータ） (2020-12-31T04:24:46Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Maximizing Information Gain in Partially Observable Environments via Prediction Reward [64.24528565312463]
  本稿では,深いRLエージェントに対する信念に基づく報酬の活用という課題に取り組む。 負のエントロピーと予測される予測報酬の正確な誤差を導出する。 この洞察は、予測報酬を用いたいくつかの分野の理論的動機を与える。
  論文  参考訳（メタデータ） (2020-05-11T08:13:49Z)

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。