論文の概要: Evaluating the impact of adversarial traffic patterns on vanet communication using veins simulation
- arxiv url: http://arxiv.org/abs/2608.14583v1
- Date: Tue, 16 Jun 2026 22:29:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.218679
- Title: Evaluating the impact of adversarial traffic patterns on vanet communication using veins simulation
- Title（参考訳）: 静脈シミュレーションを用いたベネット通信における対向交通パターンの影響評価
- Abstract要約: Vehicular Ad Hoc Networks (VANET) はインテリジェントトランスポートシステムの主要なコンポーネントであり、車両間のリアルタイム通信を可能にする。
本稿では,OMNeT++とSUMOを統合したVeinsシミュレーションフレームワークを用いて,逆トラフィックパターンがVANET性能に与える影響について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicular Ad Hoc Networks (VANETs) are a key component of intelligent transportation systems, enabling real-time communication between vehicles. However, their open and dynamic nature makes them highly vulnerable to adversarial behaviors that can disrupt communication reliability. This paper investigates the impact of adversarial traffic patterns on VANET performance using the Veins simulation framework integrated with OMNeT++ and SUMO. We design and evaluate multiple adversarial scenarios, including message flooding, false information dissemination, and coordinated congestion attacks, under varying traffic densities and mobility conditions. The study measures key performance metrics such as packet delivery ratio (PDR), end-to-end delay, and network throughput. Experimental results show that adversarial traffic can reduce PDR by up to 96.55%, with message flooding at low density producing a throughput reduction of 27.89%, and significantly degrade overall network efficiency. The findings highlight critical vulnerabilities in VANET communication and provide insights into designing more resilient and secure vehicular networks.
- Abstract（参考訳）: Vehicular Ad Hoc Networks (VANET) はインテリジェントトランスポートシステムの主要なコンポーネントであり、車両間のリアルタイム通信を可能にする。
しかし、そのオープンでダイナミックな性質は、通信の信頼性を損なう可能性のある敵の行動に非常に脆弱である。
本稿では,OMNeT++とSUMOを統合したVeinsシミュレーションフレームワークを用いて,逆トラフィックパターンがVANET性能に与える影響について検討する。
我々は,交通密度や移動条件の異なる状況下で,メッセージフラッディング,偽情報拡散,協調的渋滞攻撃など,複数の敵シナリオを設計・評価する。
この研究はパケット配信率(PDR)、エンドツーエンド遅延、ネットワークスループットなどの重要なパフォーマンス指標を測定する。
実験の結果、対向トラフィックは96.55%まで減少し、低密度でのメッセージの洪水は27.89%のスループット低下をもたらし、全体的なネットワーク効率は著しく低下することがわかった。
この発見は、VANET通信における重大な脆弱性を強調し、よりレジリエンスでセキュアな車両ネットワークの設計に関する洞察を提供する。
関連論文リスト
- GNN-based Multi-Agent Control of Traffic Shockwaves in Sparse Vehicular Ad-hoc Networks [0.09786690381850355]
本稿では,グラフニューラルネットワーク(GNN)を統合した分散マルチエージェント強化学習(MARL)フレームワークを提案する。
その結果、GNNベースのMARLフレームワークは、車両の10%しか接続していない場合でも、交通衝撃波の伝搬を最大80%低減できることがわかった。
論文 参考訳（メタデータ） (2026-07-26T18:29:21Z) - A VAE-Driven Multi-Task Satellite-Aided Semantic Communication Framework for 6G-Enabled Connected Autonomous Vehicles [51.449502491030756]
衛星支援自動運転のためのマルチタスク・セマンティック・コミュニケーション・フレームワークを提案する。
このフレームワークは、両方のタスクを共同で最適化するために、エンドツーエンドで訓練されている。
提案手法は,87.23%から98.17%までの帯域幅削減を実現している。
論文 参考訳（メタデータ） (2026-07-15T06:49:41Z) - A Dynamic Transformer Network for Vehicle Detection [57.4144097001218]
車両検出のための動的トランスフォーマーネットワーク(DTNet)を提案する。
DTNetは動的畳み込みを利用してディープネットワークを誘導し、重量を動的に生成し、得られた検出器の適応性を高める。
画像アカウントにおける差の欠点を克服するため、変換変分畳み込みは、取得した車両検出構造情報を洗練するために、空間的位置情報に依存する。
論文 参考訳（メタデータ） (2025-06-03T11:29:35Z) - Task-Oriented Semantic Communication in Large Multimodal Models-based Vehicle Networks [55.32199894495722]
LMMに基づく車両用AIアシスタントLarge Language and Vision Assistant(LLaVA)について検討する。
計算要求を減らし、応答時間を短縮するため、LLaVAの画像スライシングを最適化し、ユーザにとって最も関心のある領域に選択的にフォーカスする。
交通シナリオに対する視覚質問応答(VQA)データセットを構築し,有効性を評価する。
論文 参考訳（メタデータ） (2025-05-05T07:18:47Z) - A swarm algorithm for collaborative traffic in vehicular networks [2.6273514225715435]
本稿では,ネットワーク障害のしきい値下でのチャネル利用レベルを維持するために,Swarmインテリジェンスに基づく分散渋滞制御手法を提案する。
網羅的な実験により,提案手法はネットワークのスループット,チャネル使用量,通信の安定性を向上することが示された。
論文 参考訳（メタデータ） (2025-01-17T07:42:11Z) - LSTM-Based Proactive Congestion Management for Internet of Vehicle Networks [2.943640991628177]
V2Xネットワークは様々な安全、エンターテイメント、商用アプリケーションをサポートしている。
本稿では,IoVネットワークのプロアクティブな混雑管理のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-12T21:21:42Z) - Cyber-Twin: Digital Twin-boosted Autonomous Attack Detection for Vehicular Ad-Hoc Networks [8.07947129445779]
Vehicular Ad-hoc NETworks(VANETs)の急速な進化は、インテリジェントトランスポートシステム(ITS)の転換期へと導いてきた。
VANETは、妨害やDDoS(Distributed Denial of Service)攻撃など、サイバー攻撃の影響を受けやすくなっている。
既存の方法は、動的攻撃を検出し、VANETサイバーセキュリティを強化するためにデジタルツイン技術と人工知能(AI)モデルを統合するのに困難に直面している。
本研究では、VANETにおけるRSUのセキュリティを高めるために、デジタルツイン技術とAIを組み合わせた新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-25T08:05:41Z) - A Lightweight, Efficient and Explainable-by-Design Convolutional Neural
Network for Internet Traffic Classification [9.365794791156972]
本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。
LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。
商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
論文 参考訳（メタデータ） (2022-02-11T10:21:34Z) - Learning to Communicate and Correct Pose Errors [75.03747122616605]
本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。
本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-10T18:19:40Z)
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。