論文の概要: SecureV2X: An Efficient and Privacy-Preserving System for Vehicle-to-Everything (V2X) Applications
- arxiv url: http://arxiv.org/abs/2508.19115v1
- Date: Tue, 26 Aug 2025 15:17:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-27 17:42:38.900271
- Title: SecureV2X: An Efficient and Privacy-Preserving System for Vehicle-to-Everything (V2X) Applications
- Title（参考訳）: SecureV2X:V2Xアプリケーションのための効率的かつプライバシー保護システム
- Authors: Joshua Lee, Ali Arastehfard, Weiran Liu, Xuegang Ban, Yuan Hong,
- Abstract要約: SecureV2Xは、サーバと各車両の間にデプロイされたセキュアなニューラルネットワーク推論のためのスケーラブルでマルチエージェントシステムである。
マルチエージェントV2Xアプリケーションとして, 安全な眠気検出, 安全な赤信号違反検出の2つについて検討した。
本システムは,ベースラインに対して高い性能を実現し,多数のセキュアなインタラクションを同時にサポートするために効率よくスケールする。
- 参考スコア（独自算出の注目度）: 11.726396881103922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving and V2X technologies have developed rapidly in the past decade, leading to improved safety and efficiency in modern transportation. These systems interact with extensive networks of vehicles, roadside infrastructure, and cloud resources to support their machine learning capabilities. However, the widespread use of machine learning in V2X systems raises issues over the privacy of the data involved. This is particularly concerning for smart-transit and driver safety applications which can implicitly reveal user locations or explicitly disclose medical data such as EEG signals. To resolve these issues, we propose SecureV2X, a scalable, multi-agent system for secure neural network inferences deployed between the server and each vehicle. Under this setting, we study two multi-agent V2X applications: secure drowsiness detection, and secure red-light violation detection. Our system achieves strong performance relative to baselines, and scales efficiently to support a large number of secure computation interactions simultaneously. For instance, SecureV2X is $9.4 \times$ faster, requires $143\times$ fewer computational rounds, and involves $16.6\times$ less communication on drowsiness detection compared to other secure systems. Moreover, it achieves a runtime nearly $100\times$ faster than state-of-the-art benchmarks in object detection tasks for red light violation detection.
- Abstract（参考訳）: 自動運転とV2X技術は過去10年間に急速に発展し、近代交通の安全性と効率を改善した。
これらのシステムは、自社の機械学習機能をサポートするために、車両、道路インフラストラクチャ、クラウドリソースの広範なネットワークと相互作用する。
しかしながら、V2Xシステムにおける機械学習の普及は、関連するデータのプライバシに関する問題を提起する。
これは、ユーザーの位置を暗黙的に明らかにしたり、EEG信号などの医療データを明示的に開示できるスマートトランスミッションおよびドライバー安全アプリケーションに特に関係している。
これらの問題を解決するために、サーバと各車両の間に配置されたセキュアなニューラルネットワーク推論のためのスケーラブルでマルチエージェントシステムであるSecureV2Xを提案する。
そこで本研究では,マルチエージェントなV2Xアプリケーションとして,セキュアな暗さ検出とセキュアな赤信号違反検出の2つについて検討する。
本システムは,ベースラインに対して高い性能を実現し,多数のセキュアな計算インタラクションを同時にサポートするために効率よくスケールする。
例えば、SecureV2Xは9.4 \times$より高速で、143\times$より少ない計算ラウンドで16.6\times$Drowsiness Detectionでの通信が他のセキュアシステムに比べて少ない。
さらに、赤信号違反検出のためのオブジェクト検出タスクにおいて、最先端のベンチマークよりも100ドル近い速さでランタイムを実現する。
関連論文リスト
- Accelerating IoV Intrusion Detection: Benchmarking GPU-Accelerated vs CPU-Based ML Libraries [0.0]
Internet of Vehicles(IoV)は、高度な侵入検知システムを必要とするサイバーセキュリティ攻撃に直面する可能性がある。
本稿では,従来のCPUベースの実装と比較して,GPUアクセラレーションライブラリ(cuML)の性能上の利点について検討する。
論文 参考訳（メタデータ） (2025-04-02T17:04:53Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - AntibotV: A Multilevel Behaviour-based Framework for Botnets Detection in Vehicular Networks [1.3701366534590498]
本稿では,車載ネットワークにおける車載ボットネット検出のためのマルチレベル動作ベースフレームワークであるAntibotVを提案する。
提案するフレームワークは,攻撃検知のための2つの主要モジュールを結合し,第1のモジュールはネットワークレベルで車両の活動をモニタし,第2のモジュールは車内活動をモニタする。
実験の結果,提案手法は既存手法よりも優れており,検出率は97%以上であり,偽陽性率は0.14%以下であることがわかった。
論文 参考訳（メタデータ） (2024-07-03T21:07:49Z) - A Lightweight Multi-Attack CAN Intrusion Detection System on Hybrid
FPGAs [13.581341206178525]
コントローラエリアネットワーク(CAN)における複数攻撃ベクトルの検出において、侵入検知と緩和アプローチが有望な結果を示している。
本稿では,Zynq Ultrascale+ (XCZU3EG) FPGA上にXilinxのDeep Learning Processing Unit IPを用いて,軽量なマルチアタック量子機械学習モデルを提案する。
このモデルは、99%以上の精度でサービス拒否とファジッシング攻撃を検知し、その偽陽性率は0.07%であり、これは文学における最先端技術に匹敵するものである。
論文 参考訳（メタデータ） (2024-01-19T13:39:05Z) - Deep Reinforcement Learning Algorithms for Hybrid V2X Communication: A
Benchmarking Study [39.214784277182304]
本稿では,Deep Reinforcement Learning (DRL)アルゴリズムを用いて,V2Xにおける垂直ハンドオーバ問題に対処する。
ベンチマークアルゴリズムは、V-VLCヘッドライトの冗長性と使用率の観点から、現在の最先端アプローチよりも優れている。
論文 参考訳（メタデータ） (2023-10-04T12:32:14Z) - 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) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision
Transformer [58.71845618090022]
我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。
V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。
我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
論文 参考訳（メタデータ） (2022-03-20T20:18:25Z) - MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet
of Vehicles [12.280524044112708]
車両ネットワークに対する既知の攻撃と未知の攻撃の両方を検出するために,ハイブリッド侵入検知システム (IDS) を提案する。
提案システムは,CAN-Intrusion-datasetにおいて,99.99%の精度で様々な種類の既知の攻撃を検出できる。
車両レベルのマシン上の各データパケットの平均処理時間は0.6ms未満である。
論文 参考訳（メタデータ） (2021-05-26T17:36:35Z) - $\pi$-ROAD: a Learn-as-You-Go Framework for On-Demand Emergency Slices
in V2X Scenarios [68.33556559127011]
$pi$-roadは、道路沿いの通常のモバイルトラフィックパターンを自動的に学習し、定期的でないイベントを検出し、重大度で分類するフレームワークである。
この結果から,$pi$-ROADは未発生の道路イベントの検出と分類に成功し,すでに稼働しているサービスに対するENSの影響を最大30%削減できることがわかった。
論文 参考訳（メタデータ） (2020-12-11T09:35:55Z)
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。