論文の概要: A Robust Framework for Sybil Attack Detection in Vehicular Ad Hoc Networks

• arxiv url: http://arxiv.org/abs/2606.11667v1
• Date: Wed, 10 Jun 2026 05:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 14:48:16.815088
• Title: A Robust Framework for Sybil Attack Detection in Vehicular Ad Hoc Networks
• Title（参考訳）: 垂直アドホックネットワークにおけるロバストな攻撃検出フレームワーク
• Authors: Md. Sadmin Tahmid Khan, Md. Saim Ahmmed Utsho, Mosarrat Jahan,
• Abstract要約: Sybil攻撃は、偽のIDを利用してトラフィックの混雑を錯覚させる。 既存の検知メカニズムは、シビルと合法車両の両方の軌道が重なるため、シビル攻撃に対処するのに苦労している。 本稿では,これらの問題点に対処し,これらの課題に対処するための堅牢な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sybil attacks create an illusion of traffic congestion by utilizing fake identities, which undermines the reliable and safe operation of vehicular ad hoc networks (VANETs). Existing detection mechanisms struggle to effectively handle Sybil attacks as they are (i) susceptible to high false positive rates (FPR) due to the overlapping trajectories of both Sybil and legitimate vehicles, (ii) not practical for real-world deployment due to manual calibrations with ground data, (iii) ineffective for sparse distribution of roadside units (RSUs) and vehicles as they depend heavily on the presence of both, and (iv) inefficient due to computational overheads. This paper addresses these shortcomings and proposes a robust framework to tackle these issues. The proposed scheme reduces the FPR by utilizing GPS location data, enabling the construction of more accurate and distinguishable trajectories. Besides, it employs DBSCAN clustering to identify Sybil vehicles, facilitating unsupervised parameter selection. GPS data eliminates the dependency on RSUs and vehicles, making this scheme effective in both sparse and dense regions. Additionally, the proposed scheme is lightweight and consistent across vehicles with heterogeneous capacities. Experimental results demonstrate that the proposed scheme reduces the FPR by approximately 68% in dense regions and 70% in sparse areas. Furthermore, it lowers the false negative rate (FNR) by 67% in the sparse region and achieves a competitive detection rate compared to the existing methods in both dense and sparse regions. Additionally, the proposed scheme decreases the detection time by almost 80% in dense regions and 43% in sparse ones.
• Abstract（参考訳）: Sybil攻撃は、偽のIDを利用して交通渋滞の錯覚を生じさせ、車載アドホックネットワーク(VANET)の信頼性と安全性を損なう。 既存の検出メカニズムは、シビル攻撃を効果的に扱うのに苦労している 一 高偽陽性率(FPR)は、シビルと合法車両の重なり合う軌道によるものである。 (二)地上データによる手動キャリブレーションによる実世界の展開には実用的でない。 三 道路側ユニット(RSU)及び車両の双方の存在に大きく依存しているため、ばらばらな流通に有効でないこと。 (4)計算オーバーヘッドによる非効率性。 本稿では,これらの問題点に対処し,これらの課題に対処するための堅牢な枠組みを提案する。 提案手法はGPS位置データを利用してFPRを低減し,より正確かつ識別可能な軌道の構築を可能にする。 さらに、DBSCANクラスタリングを使用してSybil車両を特定し、教師なしパラメータの選択を容易にする。 GPSデータはRSUと車両への依存を排除し、このスキームは疎密な地域と密集した地域の両方で有効である。 さらに、提案手法は軽量で、異種容量の車両間で一貫性がある。 実験の結果, 提案手法により, 密度域で約68%, 疎域で約70%削減できることがわかった。 さらに, スパース領域における偽陰性率(FNR)を67%低下させ, 密集領域およびスパース領域における既存手法と比較して, 競合検出率を達成する。 さらに, 提案手法により, 高密度領域では約80%, スパース領域では43%の検出時間を短縮する。

関連論文リスト

• Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections [4.534054317956599]
  本研究では,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。 新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けする。 8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。
  論文  参考訳（メタデータ） (2025-10-01T05:19:50Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving [2.0499240875882]
  LiDARは、センチメートルレベルの精度で車両のローカライズを容易にする。 これらの高精度な手法は、識別可能なマップ機能を持たない環境での信頼性上の課題に直面することが多い。 本稿では,道路側ユニット(RSU)と車両間通信(V2I)を併用して車両の自己位置決定を支援する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T10:44:42Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Deep learning approach for interruption attacks detection in LEO satellite networks [0.0]
  本研究の目的は、深層学習アルゴリズムを用いた低地球軌道(textsfLEO)衛星ネットワークの割り込み検出戦略を提供することである。 我々は、MLP(Multi Layer Perceptron)、CNN(Convolutional Neural Network)、RNN(Recurrent Neural Network)、Gated Recurrent Units(GRU)など、さまざまなディープラーニングアルゴリズムをテストする。
  論文  参考訳（メタデータ） (2022-12-10T21:21:14Z)
• Blind-Spot Collision Detection System for Commercial Vehicles Using Multi Deep CNN Architecture [0.17499351967216337]
  高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。 盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。 機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-08-17T11:10:37Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。