دانلود مقاله انگلیسی رایگان:آموزش گروهی در برابر ارسال ترفند کار جعلی هدایت شده توسط هوش مصنوعی در ازدحام جمعیت سیار - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی هوش مصنوعی رایگان
  • Ensemble Learning Against Adversarial AI-driven Fake Task Submission in Mobile Crowdsensing Ensemble Learning Against Adversarial AI-driven Fake Task Submission in Mobile Crowdsensing
    Ensemble Learning Against Adversarial AI-driven Fake Task Submission in Mobile Crowdsensing

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Ensemble Learning Against Adversarial AI-driven Fake Task Submission in Mobile Crowdsensing


    ترجمه فارسی عنوان مقاله:

    آموزش گروهی در برابر ارسال ترفند کار جعلی هدایت شده توسط هوش مصنوعی در ازدحام جمعیت سیار


    منبع:

    IEEE - ICC 2020 - 2020 IEEE International Conference on Communications (ICC);2020; ; ;


    نویسنده:

    Yueqian Zhang, Murat Simsek Senior Member, IEEE, and Burak Kantarci, Senior Member,


    چکیده انگلیسی:

    Non-dedicated nature of mobile crowdsensing (MCS) systems introduces vulnerabilities for MCS platforms in terms of sensing, computing, storage, and battery resources. The advent of adversarial artificial intelligence (AI) leads to high impact malicious behavior when adversaries aim to clog the resources of such a non-dedicated and ubiquitous system. This paper proposes an ensemble learning-based methodology for MCS platforms in order to mitigate the impacts of adversarial AI-driven fake task submission attacks, which are intelligently designed so to clog resources such as batteries, sensing, or memory resources. We validate our proposal through realistic simulations to generate crowdsensing data under two different cities, and intelligent fake task submissions under adversarial self-organizing maps. The experimental results show that when the submitted tasks undergo a Gradient Boosting-based classifier prior to being assigned to participants, the proposed solution can introduce battery savings at the participant devices up to 23%, and the impacted recruit population can be reduced from 24% to 6% whereas the defense mechanism can achieve an overall accuracy level above 98% concerning the legitimacy of the submitted tasks.
    Index Terms: Mobile crowdsensing | IoT | self-organizing feature map | Machine learning | Artificial neural networks | Clogging attacks


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 0
    حجم فایل: 308 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi