抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
車両アドホックネットワーク(VANET)におけるモバイル機器のためのエッジコンピューティングは,ローグエッジ攻撃を扱う必要があり,それにおいて,ローグエッジノードは,ユーザの秘密を操縦するために,車両におけるサービスエッジとなり,人間-中攻撃のような他の攻撃を起動させる助けとなる。VANETにおけるローグエッジ検出は,車載ユニット(OBUs)の高い移動性と路側ユニット(RSU)を有する大規模ネットワークインフラストラクチャにより,屋内無線ネットワークにおけるスポフィング検出よりも挑戦的である。本論文では,移動装置の同じ移動トレースの間に観察された共有環境無線信号と同じ車両におけるサービングエッジに従って,VANETのための物理的(PHY)-層ロングエッジ検出方式を提案した。この方式において,試験の下のエッジノードは,与えられた時間スロットの間,対応するソースメディアアクセス制御(MAC)アドレスによる周囲の信号の受信信号強度指標(RSSI)を含む周囲の無線信号の物理的性質を送る必要がある。移動装置は,受信された周囲の信号特性とそれ自身の記録を比較するために選択することができて,受信した信号のRSSIを適用して,ローグエッジ攻撃を検出して,検出におけるテスト閾値を決定した。VANETモデルと攻撃モデルを意識することなく,動的VANETにおける最適検出ポリシーを達成するための移動装置を可能にするために,強化学習技術を採用した。シミュレーション結果は,Q学習ベースの検出方式が,既存の方式と比較して,検出誤り率を著しく減少させ,効用を増加させることができることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】