論文の概要: On the Impact of Sybil-based Attacks on Mobile Crowdsensing for Transportation

• arxiv url: http://arxiv.org/abs/2506.20585v1
• Date: Wed, 25 Jun 2025 16:26:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.844481
• Title: On the Impact of Sybil-based Attacks on Mobile Crowdsensing for Transportation
• Title（参考訳）: 交通用移動式群集センシングにおけるシビル攻撃の影響について
• Authors: Alexander Söderhäll, Zahra Alimadadi, Panos Papadimitratos,
• Abstract要約: Mobile Crowd-Sensing (MCS)は、パーソナルモバイルデバイス(PMD)を持つユーザーが周囲の情報を入手できるようにする。 ユーザはPMDセンサーを使用してさまざまな現象に関するデータを収集し、コントリビューションし、MCSシステムはデータを処理し、エンドユーザーにとって価値のある情報を抽出する。 ナビゲーションMCSベースのアプリケーション(N-MCS)は、運転中の位置と速度を共有し、その代わりに目的地への効率的なルートを見つける。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mobile Crowd-Sensing (MCS) enables users with personal mobile devices (PMDs) to gain information on their surroundings. Users collect and contribute data on different phenomena using their PMD sensors, and the MCS system processes this data to extract valuable information for end users. Navigation MCS-based applications (N-MCS) are prevalent and important for transportation: users share their location and speed while driving and, in return, find efficient routes to their destinations. However, N-MCS are currently vulnerable to malicious contributors, often termed Sybils: submitting falsified data, seemingly from many devices that are not truly present on target roads, falsely reporting congestion when there is none, thus changing the road status the N-MCS infers. The attack effect is that the N-MCS returns suboptimal routes to users, causing late arrival and, overall, deteriorating road traffic flow. We investigate exactly the impact of Sybil-based attacks on N-MCS: we design an N-MCS system that offers efficient routing on top of the vehicular simulator SUMO, using the InTAS road network as our scenario. We design experiments attacking an individual N-MCS user as well as a larger population of users, selecting the adversary targets based on graph-theoretical arguments. Our experiments show that the resources required for a successful attack depend on the location of the attack (i.e., the surrounding road network and traffic) and the extent of Sybil contributed data for the targeted road(s). We demonstrate that Sybil attacks can alter the route of N-MCS users, increasing average travel time by 20% with Sybils 3% of the N-MCS user population.
• Abstract（参考訳）: Mobile Crowd-Sensing (MCS)は、パーソナルモバイルデバイス(PMD)を持つユーザーが周囲の情報を入手できるようにする。 ユーザはPMDセンサーを使用してさまざまな現象に関するデータを収集し、コントリビューションし、MCSシステムはデータを処理し、エンドユーザーにとって価値のある情報を抽出する。 ナビゲーションMCSベースのアプリケーション(N-MCS)は、運転中の位置と速度を共有し、その代わりに目的地への効率的なルートを見つける。 しかし、現在N-MCSは悪意のあるコントリビュータに対して脆弱な状態にあり、しばしばSybilsと呼ばれる: ターゲット道路に実際に存在しない多くのデバイスから偽造されたデータを送信し、不正な渋滞を報告して、N-MCSが推測する道路状況を変更する。 攻撃効果は、N-MCSが最適以下の経路をユーザに返却し、到着が遅くなり、全体として道路交通の流れが悪化することである。 我々は、車載シミュレータSUMO上で効率的なルーティングを提供するN-MCSシステムを設計し、InTASロードネットワークをシナリオとして、Sybilベースの攻撃がN-MCSに与える影響を正確に調査する。 我々は,個々のN-MCSユーザを攻撃し,より多くのユーザを攻撃し,グラフ理論の議論に基づいて敵の標的を選択する実験を設計する。 実験の結果,攻撃に要する資源は攻撃の場所(周囲の道路網と交通量)に依存し,シビルが目標道路のデータに寄与していることが判明した。 我々は,Sybils攻撃によってN-MCS利用者のルートが変化し,N-MCS利用者の3%がSybils攻撃により平均走行時間が20%増加することを示した。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Digital Twin-based Driver Risk-Aware Intelligent Mobility Analytics for Urban Transportation Management [18.015270631863665]
  本稿では,デジタルツインをベースとしたドライバリスク認識知能モビリティ分析システムを提案する。 DT-DIMAシステムはパンティルトカメラからのリアルタイムトラフィック情報を統合する。 このシステムは、ネットワーク全体のモビリティと安全性のリスクをリアルタイムで予測する。
  論文  参考訳（メタデータ） (2024-07-03T01:44:22Z)
• Multi-Agent Reinforcement Learning for Assessing False-Data Injection Attacks on Transportation Networks [27.89472896063777]
  本稿では,交通ネットワークに対する最悪のデータ注入攻撃を見つけるための計算フレームワークを提案する。 まず,特定の道路で知覚する走行時間を増大させることで,ドライバーを操作できる脅威俳優と敵対モデルを作成する。 次に、階層型マルチエージェント強化学習を用いて、データ操作の近似逆戦略を求める。
  論文  参考訳（メタデータ） (2023-12-22T11:48:13Z)
• Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
  交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。 隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
  論文  参考訳（メタデータ） (2023-08-17T13:29:57Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• 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)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)
• Efficient Adversarial Attacks for Visual Object Tracking [73.43180372379594]
  本稿では,新たなドリフト損失と組込み機能損失を併用して,シームズネットワークベースのトラッカーを攻撃するエンド・ツー・エンド・エンド・ネットワークFANを提案する。 単一のGPUの下では、FANはトレーニング速度が効率的で、強力な攻撃性能を持つ。
  論文  参考訳（メタデータ） (2020-08-01T08:47:58Z)

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。