論文の概要: IPEK: Intelligent Priority-Aware Event-Based Trust with Asymmetric Knowledge for Resilient Vehicular Ad-Hoc Networks

• arxiv url: http://arxiv.org/abs/2604.07532v1
• Date: Wed, 08 Apr 2026 19:15:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.524697
• Title: IPEK: Intelligent Priority-Aware Event-Based Trust with Asymmetric Knowledge for Resilient Vehicular Ad-Hoc Networks
• Title（参考訳）: IPEK: レジリエントなベクトルアドホックネットワークのための非対称知識を用いたインテリジェントプライオリティ対応イベントベーストラスト
• Authors: İpek Abasıkeleş Turgut,
• Abstract要約: Vehicular Ad Hoc Networks(VANET)は、既存の信頼モデルにおけるトラフィックイベントの均一な処理を利用するインテリジェントアタッカーに対して脆弱である。 本稿では,イベント認識型および位置認識型知的攻撃モデルについて紹介する。 第3に、Yagerのコンビネーションルールを使って世界的信頼融合のためにDempster-Shaferを適応させ、矛盾する証拠を早急な決定を強制するのではなく、不確実性に割り当てる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicular Ad Hoc Networks (VANETs) are vulnerable to intelligent attackers who exploit the homogeneous treatment of traffic events in existing trust models. These attackers accumulate reputation by reporting correctly on low-priority events and then inject false data during safety-critical situations - a strategy that current approaches cannot detect because they ignore event severity and location criticality in trust calculations. This paper addresses this gap through three contributions. First, it introduces event-aware and location-aware intelligent attack models, which have not been formally defined or simulated in prior work. Second, it proposes an asymmetric local trust mechanism where penalties scale with event and location severity while rewards follow an asymptotic model, making trust difficult to regain after misuse. Third, it adapts Dempster-Shafer Theory for global trust fusion using Yager's combination rule - assigning conflicting evidence to uncertainty rather than forcing premature decisions - combined with sequential source-reliability ordering and an asymmetric risk accentuation mechanism. Simulations using OMNeT++, Veins, and SUMO compare the proposed system (IPEK) against MDT and TCEMD under attacker densities of 15-35 percent. IPEK maintained 0 percent False Positive Rate across all scenarios, meaning no honest vehicle was wrongly revoked, while sustaining Recall above 75 percent and F1-scores exceeding 0.86. These results demonstrate that integrating context-awareness into both attack modeling and trust evaluation significantly outperforms symmetric approaches against strategic adversaries.
• Abstract（参考訳）: Vehicular Ad Hoc Networks(VANET)は、既存の信頼モデルにおけるトラフィックイベントの均一な処理を利用するインテリジェントアタッカーに対して脆弱である。 これらの攻撃者は、低優先度のイベントを正しく報告し、安全クリティカルな状況下で偽データを注入することで評判を蓄積する。 本稿では,このギャップを3つのコントリビューションを通じて解決する。 まず、イベント認識と位置認識のインテリジェントアタックモデルを導入する。 第二に、報酬が漸近モデルに従っている間、罰則が出来事や場所の重大さと共にスケールする非対称な局所信頼機構を提案し、誤用後の信頼回復を困難にしている。 第3に、Yagerのコンビネーションルールを用いてグローバル信頼融合のためのDempster-Shafer理論を適用し、矛盾する証拠を早期決定を強制するのではなく不確実性に割り当て、シーケンシャルソース信頼性の順序付けと非対称リスクアクセント機構を組み合わせる。 OMNeT++, Veins, SUMOを用いたシミュレーションでは,攻撃密度15～35%で提案したシステム(IPEK)とMDT, TCEMDを比較した。 IPEKは全シナリオで0パーセントの偽陽性率を維持しており、これは誠実な車両が誤って取り消されることはないことを意味し、リコールは75%以上、F1スコアは0.86以上である。 これらの結果から,攻撃モデルと信頼評価の両方に文脈認識を組み込むことは,戦略的敵に対する対称的アプローチを著しく上回ることを示した。

関連論文リスト

• FedTrident: Resilient Road Condition Classification Against Poisoning Attacks in Federated Learning [16.871281029100313]
  FLはITS、特にカメラベースの道路条件分類(RCC)の変換パラダイムとして登場した。 RCCは敵に対してTLFA(Targeted Label-Flipping Attacks)を起動するシステムを公開する 我々は,TLFAを効果的に抑制できるFedTridentを提案する。
  論文  参考訳（メタデータ） (2026-03-19T16:26:13Z)
• Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
  本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。 このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
  論文  参考訳（メタデータ） (2026-01-30T16:38:05Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• FLARE: Adaptive Multi-Dimensional Reputation for Robust Client Reliability in Federated Learning [0.6524460254566904]
  フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にする。 ビザンツの攻撃、データ中毒、あるいは適応的な敵行動を通じてモデルの完全性を侵害する悪意のあるクライアントには、依然として脆弱である。 FLAREは,クライアントの信頼性評価を二分決定から連続的多次元信頼評価に変換するアダプティブな評価ベースフレームワークである。
  論文  参考訳（メタデータ） (2025-11-18T17:57:40Z)
• DGTEN: A Robust Deep Gaussian based Graph Neural Network for Dynamic Trust Evaluation with Uncertainty-Quantification Support [2.4897847232811716]
  DGTEN (Deep Gaussian based Trust Evaluation Network) は統合グラフフレームワークを導入している。 不確実性を認識したメッセージパッシング、表現力のある時間的モデリング、信頼を目標とする攻撃に対するビルトインディフェンスを組み合わせる。 署名された2つのBitcoinトラストネットワークでは、DGTENが大幅に改善されている。
  論文  参考訳（メタデータ） (2025-10-08T23:38:55Z)
• From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
  機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。 DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。 本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
  論文  参考訳（メタデータ） (2024-02-20T09:52:30Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Certifiers Make Neural Networks Vulnerable to Availability Attacks [70.69104148250614]
  私たちは初めて、逆転戦略が敵によって意図的に引き起こされる可能性があることを示します。 いくつかの入力や摂動のために自然に発生する障害に加えて、敵は故意にフォールバックを誘発するために訓練時間攻撃を使用することができる。 我々は2つの新しいアベイラビリティーアタックを設計し、これらの脅威の実用的妥当性を示す。
  論文  参考訳（メタデータ） (2021-08-25T15:49:10Z)
• 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)

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。