論文の概要: Data-driven Trust Bootstrapping for Mobile Edge Computing-based Industrial IoT Services
- arxiv url: http://arxiv.org/abs/2508.12560v1
- Date: Mon, 18 Aug 2025 01:37:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.86122
- Title: Data-driven Trust Bootstrapping for Mobile Edge Computing-based Industrial IoT Services
- Title（参考訳）: モバイルエッジコンピューティングベースの産業用IoTサービスのためのデータ駆動トラストブートストラップ
- Authors: Prabath Abeysekara, Hai Dong,
- Abstract要約: 提案手法は,既存の信頼ブートストラップアプローチをMECベースのIIoTシステムに適用する上で,重要な制限に対処する。
提案手法は、異なるMEC環境間での知識共有を可能にすることにより、データの分散性にも対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a data-driven and context-aware approach to bootstrap trustworthiness of homogeneous Internet of Things (IoT) services in Mobile Edge Computing (MEC) based industrial IoT (IIoT) systems. The proposed approach addresses key limitations in adapting existing trust bootstrapping approaches into MEC-based IIoT systems. These key limitations include, the lack of opportunity for a service consumer to interact with a lesser-known service over a prolonged period of time to get a robust measure of its trustworthiness, inability of service consumers to consistently interact with their peers to receive reliable recommendations of the trustworthiness of a lesser-known service as well as the impact of uneven context parameters in different MEC environments causing uneven trust environments for trust evaluation. In addition, the proposed approach also tackles the problem of data sparsity via enabling knowledge sharing among different MEC environments within a given MEC topology. To verify the effectiveness of the proposed approach, we carried out a comprehensive evaluation on two real-world datasets suitably adjusted to exhibit the context-dependent trust information accumulated in MEC environments within a given MEC topology. The experimental results affirmed the effectiveness of our approach and its suitability to bootstrap trustworthiness of services in MEC-based IIoT systems.
- Abstract（参考訳）: 我々は,モバイルエッジコンピューティング(MEC)ベースの産業用IoT(IIoT)システムにおいて,同質なモノのインターネット(IoT)サービスの信頼性をブートストラップするための,データ駆動型でコンテキスト対応のアプローチを提案する。
提案手法は,既存の信頼ブートストラップアプローチをMECベースのIIoTシステムに適用する上で,重要な制限に対処する。
これらの重要な制限は、サービス消費者が、その信頼度をしっかりと測定するために、長い期間にわたって、あまり知られていないサービスと対話する機会の欠如、サービス消費者が、あまり知られていないサービスの信頼度に関する信頼できるレコメンデーションを受け取るために、常に仲間と対話することができないこと、そして、異なるMEC環境における不均一なコンテキストパラメータが信頼評価のために不均一な信頼環境を引き起こすことなどである。
さらに、提案手法は、与えられたMECトポロジ内の異なるMEC環境間での知識共有を可能にすることにより、データ疎結合の問題にも対処する。
提案手法の有効性を検証するため, 与えられたMECトポロジ内のMEC環境に蓄積されたコンテキスト依存信頼情報を示すために, 適切に調整された2つの実世界のデータセットに対して, 包括的な評価を行った。
実験結果から,MECベースのIIoTシステムにおけるサービスの信頼性向上に向けたアプローチの有効性を確認した。
関連論文リスト
- Disrupting Vision-Language Model-Driven Navigation Services via Adversarial Object Fusion [56.566914768257035]
本稿では,サービス指向環境における視覚言語ナビゲーション(VLN)エージェントを対象とした新たな攻撃フレームワークであるAdversarial Object Fusion(AdvOF)を提案する。
本稿では,通常のナビゲーションタスクに対する最小限の干渉を維持しつつ,敵条件下でのエージェント性能を効果的に劣化させることができることを示す。
この研究は、VLMによるナビゲーションシステムにおけるサービスセキュリティの理解を深め、物理世界展開における堅牢なサービス構成のための計算基盤を提供する。
論文 参考訳（メタデータ） (2025-05-29T09:14:50Z) - Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。
ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
論文 参考訳（メタデータ） (2025-05-26T06:44:31Z) - Powering LLM Regulation through Data: Bridging the Gap from Compute Thresholds to Customer Experiences [0.0]
本稿では,計算レベルのしきい値と一般化モデル評価に着目した現在の規制手法は,特定のLCMベースのユーザエクスペリエンスの安全性と有効性を保証するには不十分である,と論じる。
本稿では,ユーザによる実際の体験と評価のための高品質データセットのキュレーションを中心とした認定プロセスへの移行を提案する。
論文 参考訳（メタデータ） (2025-01-12T16:20:40Z) - Federated Learning in Mobile Networks: A Comprehensive Case Study on Traffic Forecasting [2.661771915992631]
Federated Learning(FL)は、さまざまなサイト間のコラボレーションを促進するための、分散されたプライバシ保護ソリューションである。
本稿では,バルセロナ(スペイン)の基地局(BS)からの実世界データを用いたフェデレーション交通予測のケーススタディを通じて,電気通信におけるFLの潜在的なメリットについて検討する。
評価は予測精度と持続可能性の両方に基づいており,様々な環境でのFLアルゴリズムの環境影響を示す。
論文 参考訳（メタデータ） (2024-12-05T11:32:14Z) - MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
我々は、フェデレーション学習(FL)によるプライバシーを確保しつつ、サービスのデータ提供を容易にする没入型モデルトレーディングフレームワークを提案する。
我々は,資源制約下での高価値モデルに貢献するために,メタバースユーザ(MU)にインセンティブを与えるインセンティブ機構を設計する。
我々は、MUやその他のMSPに関するプライベート情報にアクセスすることなく、深層強化学習に基づく完全に分散された動的報酬アルゴリズムを開発する。
論文 参考訳（メタデータ） (2024-10-25T16:20:46Z) - 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) - 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) - A Survey on Trustworthy Edge Intelligence: From Security and Reliability
To Transparency and Sustainability [32.959723590246384]
Edge Intelligence(EI)は、エッジコンピューティング(EC)と人工知能(AI)を統合して、AIの能力をネットワークエッジにプッシュする。
この調査は、信頼できるEIの特徴、アーキテクチャ、技術、ソリューションを包括的にまとめたものです。
論文 参考訳（メタデータ） (2023-10-27T07:39:54Z) - Adversarial Client Detection via Non-parametric Subspace Monitoring in
the Internet of Federated Things [3.280202415151067]
Internet of Federated Things (IoFT)は、フェデレート学習をバックボーンとする相互接続システムのネットワークである。
本稿では、敵攻撃問題に対処する効果的な非パラメトリックアプローチFedRRを提案する。
提案手法は,敵のクライアントを正確に検出し,攻撃が起こらないシナリオ下での誤報率を制御する。
論文 参考訳（メタデータ） (2023-10-02T18:25:02Z) - Neural Enhanced Belief Propagation for Cooperative Localization [6.787897491422112]
位置対応ネットワークは、現代的な利便性、応用海洋科学、公共安全のための革新的なサービスと応用を導入する。
モデルベースおよびデータ駆動推論のためのハイブリッド手法を確立する。
無線ネットワーク内の移動体エージェントが、他のエージェントと相互に観測し、位置情報を交換することで、自らをローカライズすることを目的とした、協調的ローカライゼーション(CL)シナリオを検討する。
論文 参考訳（メタデータ） (2021-05-27T01:42:54Z)
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。