XiaoMi-AI文件搜索系统
World File Search SystemVANET
VANET的基于深度强化学习的智能安全转发策略
摘要：车辆临时网络（VANET）构成了实现智能运输服务的关键技术。但是，Vanet的特征是多种消息类型，通信节点的复杂安全属性以及快速的网络拓扑变化。在这种情况下，如何确保为用户确保安全，有效，方便且舒适的消息服务已成为不应忽视的挑战。为了提高与Vanet中多个消息类型相匹配的路由匹配多种消息类型的灵活性，本文提出了基于深入强化学习（DRL）的安全智能消息转发策略。该策略中模型的关键支撑元素是合理设计的，结合了场景，模型的良好训练是由Deep Q Networks（DQN）进行的。在策略中，状态空间由候选和目标节点之间的距离，候选节点的安全属性以及要发送的消息类型组成。节点可以根据复杂状态空间自适应地选择路由方案。仿真和分析表明，所提出的策略具有快速收敛，良好的概括能力，高传输安全性和低网络延迟的优势。该策略具有灵活而丰富的服务模式，并为Vanet消息服务提供了灵活的安全性。
在车辆临时网络中的基于模糊的高效和面向区块链的安全路由
车辆临时网络（VANET）代表了无线传感器网络（WSN）的改进，其移动感官节点位于车辆内。车辆Adhoc网络在智能城市的应用中处于关键位置，因为车间通信被认为是维持城市技术效率必不可少的。尽管Vanet提供了好处，但它在智能城市应用程序的背景下遇到了许多挑战和缺点。这样的挑战与Vanet的安全和隐私原则有关。隐私和安全性作为与Vanet相关的主要问题，促使多个研究人员在过去十年中提出安全解决方案。目前的研究工作着重于提高服务质量（QoS）的提高数据通信的安全性水平。通过使用区块链技术以及将椭圆曲线加密功能与安全的哈希功能集成以保护从节点到移动控制单元（MCU）的数据通信来实现此安全性增强。此外，提出的研究工作通过采用神经模糊逻辑来识别从源节点到移动控制单元（MCU）的最佳路径，为移动节点和控制单元之间的数据提供了有效的路由机制。将提出的工作与现有的密码方法以及最新的路由路径优化算法，即粒子群优化（PSO），遗传算法（GA），模因算法（MA）（MA）和Honey Bee优化（HBO），以及在计算时间内交付，以确定其优势，即通过PARTIT和分组，并在计算时间内建立优势。
一种对抗对抗性攻击的机器学习方法
将机器学习 (ML) 技术集成到车载自组织网络 (VANET) 中，可为自动驾驶和 ITS 应用提供有前景的功能。本文使用 DSRC 数据来评估不同 ML 模型（包括朴素贝叶斯、随机森林、KNN 和梯度提升）在正常和对抗场景中的有效性。由于数据集相对不平衡，因此采用合成少数过采样技术 (SMOTE) 进行采样，并采用防御性蒸馏来提高模型对对抗性扰动的弹性。从结果中可以清楚地看出，梯度提升和随机森林等模型在两种情况下都表现出很高的准确性，从而表明在出现新威胁时使用机器学习来提高 VANET 安全性和可靠性的潜力。通过这项研究，阐明了 ML 在保护车辆通信方面的应用对于提高交通安全和流量的重要性。
6G如何彻底改变智能运输？
车辆临时网络（VANETS）通过促进车辆与路边基础设施之间的通信来实现智能运输系统。但是，当前支持Vanets的当前5G和4G网络具有某些限制，从而阻碍了Vanet应用程序的全部潜力。这些限制包括带宽，延迟，连接性和安全性的限制。即将到来的6G网络有望通过引入多个进步来彻底改变Vanets。6G将提供超快速通信，并大大减少延迟，从而实现车辆之间的实时和高带宽数据交换。该网络还将提供高度可靠和安全的连接性，以确保Vanet Communications的完整性和隐私。基于6G的货物剂将增强精确的定位和传感能力，从而可以准确地定位车辆并提高情境意识。这将有助于避免碰撞，交通管理和合作驾驶应用程序。此外，在6G网络中集成边缘计算将使计算资源更接近边缘，降低响应时间并促进时间关键时期的情况下更快的决策。本文探讨了6G技术的关键功能，以及它如何彻底改变智能运输，应对在Vanets中采用6G的挑战和机会。
6G如何彻底改变智能运输？
车辆临时网络（VANETS）通过促进车辆与路边基础设施之间的通信来实现智能运输系统。但是，当前支持Vanets的当前5G和4G网络具有某些限制，从而阻碍了Vanet应用程序的全部潜力。这些限制包括带宽，延迟，连接性和安全性的限制。即将到来的6G网络有望通过引入多个进步来彻底改变Vanets。6G将提供超快速通信，并大大减少延迟，从而实现车辆之间的实时和高带宽数据交换。该网络还将提供高度可靠和安全的连接性，以确保Vanet Communications的完整性和隐私。基于6G的货物剂将增强精确的定位和传感能力，从而可以准确地定位车辆并提高情境意识。这将有助于避免碰撞，交通管理和合作驾驶应用程序。此外，在6G网络中集成边缘计算将使计算资源更接近边缘，降低响应时间并促进时间关键时期的情况下更快的决策。本文探讨了6G技术的关键功能，以及它如何彻底改变智能运输，应对在Vanets中采用6G的挑战和机会。
通过使用SUMO和OMNET ++模拟器对车辆网络进行模拟和建模交通事故检测的估值
伊拉克摩苏尔大学工程学院电气工程系电子邮件：mtyaseen@uomosul.edu.iq（M.T.Y.）; aminaalrawy@uomosul.edu.iq（a.a.f.）; fawaazyasen@uomosul.edu.iq（F.Y.A。）*通讯作者摘要 - 该论文提出了增加导致道路事故的车辆总数的问题。车辆临时网络（VANET）已在基础设施中开发。本研究建议使用Vanet网络与车辆，路边单元（RSU）和网络服务器进行通信。提出的方法通过基于Omnet ++和Sumo Simulators内部框架（静脉）的地图执行IEEE 802.11p的基本参数来正确模拟Vanet，以实现和模拟车辆路线的规划流量策略。建议的技术的主要优势是使车辆能够相互通信或在基础架构上进行交流，以发送和接收各种类型的警告和信息消息。在本文中做出了两项重大贡献：通过减少车辆的CO 2排放和减少道路拥堵的CO 2来降低空气的污染水平，以及模拟车辆路线计划流量的技术贡献。我们的技术能够监视在高速公路上和紧急制动的情况下测试的空气污染和建筑模拟。每辆车可以通过向网络服务器发送数据包请求并等待包含新路径的响应来请求最短路由。主要的性能参数指标是指在不同时间在不同时间的速度和加速器等车辆中的数据交换。在每种情况下更改路径长度时，分析了车辆的速度，加速度，CO 2发射和RSU的总丢失数据包。在模拟中，使用100辆车在3,400米长的高速公路上以14 km/h的速度行驶，网络尺寸为（3000×3000）m。通过100辆车的旅行时间为300秒，RSU的总丢失的数据包为61，总CO 2排放量为3,1548 gm/英里，获得了仿真结果。模拟结果的优点为预防事故，增强无线基础设施和降低污染水平的车辆提供了更安全的道路。
UniNet：混合现实驾驶模拟器 - OpenReview
1 引言 目前已经开发出许多驾驶模拟器，其中大多数用于驾驶员培训或驾驶员安全领域的研究 [41]。然而，这些模拟器在交通模拟和用户存在方面往往功能有限 [10,23,24]。人们早就需要关注用户存在的高质量虚拟现实 (VR) 驾驶模拟器。除此之外，具有交通模拟功能的驾驶模拟器是车载自组织网络 (VANET) 研究的强大工具。网络模拟通常用于网络研究，以评估通信协议和算法的性能。现有的车载网络模拟工具仅侧重于网络模拟。结合网络模拟、应用程序原型设计和测试的驾驶模拟器将对 VANET 研究人员大有裨益。例如，人们可以在将研究成果部署到现实世界之前，使用包含数千辆汽车的真实虚拟环境并与它们进行交互，从而评估通信协议或应用程序的性能，但这种方式成本高昂，有时还不安全。我们工作的驱动力是创建一个模拟器，它可以弥合车辆网络研究之间的差距。虚拟现实驾驶模拟器的存在时间与现代 VR 存在的时间一样长 [41]。模拟器通常用于驾驶员培训，具有一致性的优势。模拟器运行实时模拟，其中虚拟环境的所有方面都受到控制。驾驶模拟器的输入被设计为目标车辆的真实模仿，底层模拟器模型模拟用户与目标车辆之间的交互。视觉、听觉和运动输出是常见的形式
车辆通信
智能运输系统通过实现车内通信来增强道路安全性至关重要。由于无线通信链接的性质，存在几种潜在的攻击风险，包括模仿，修改和重播。确保车辆临时网络（VANETS）的安全性免受恶意活动的安全性，安全性终端之间的安全数据交换，特定的车辆到所有东西（V2X）通信，成为需要关注的关键技术挑战。VANET应用程序的现有身份验证方法主要依赖于基于加密的技术。物理（PHY） - 莱默身份验证的出现已获得突出，利用无线通道和硬件瑕疵的固有特征来区分无线设备。基于Phy-Layer的身份验证不是加密方法的独立替代方案，但它显示出作为对货物中重新认证的补充方法的潜力，被称为“跨层身份验证”。这项综合调查彻底评估了基于加密的基于加密，基于PHY层和基于跨层的身份验证方法。此外，这项调查还深入研究了不同的第六代（6G）和超越技术，例如可重新配置的智能表面（RIS）和联合学习，以提高在有效攻击者的情况下增强PHY-Layer身份验证性能。此外，还提供了对跨层身份验证方法优势的深入见解，同时还探索了各种最新的Vanet安全技术。在这些高级方法上提供了详细的技术讨论，得出的结论是，它们可以显着增强智能运输系统的安全性，从而确保更安全，更有效的车辆通信。
计划时间表
(16:00-17:15), Location: G204-A • Paper #20 - A hybrid approach to Parkinson's disease detection using deep learning • Paper #22 - Predictive Analysis of Mental Health Using Machine Learning for Depression Prediction • Paper #32 - One-Class SVM for Anomaly Detection in WBANs: A Path to Energy-Efficient and Sustainable Digital Health • Paper #8 - Accident Detection and Prevention system using IoT and VANET • Paper #48 - 使用Pointpillars网络在LiDar Point云中的有效对象检测•纸质＃42-智能货币识别系统，具有集成的面部功能分析，使用机器学习
使用...改善路口的交通流量
摘要 本研究提出了一种利用无线传感器网络改善交通流量的智能交通管理系统。通过利用聚类算法，VANET 环境可用于所提出的系统。所提出的系统的组件包括传感器节点硬件、通过磁力计的车辆检测系统和用于节点间通信的 UDP 协议。路口控制代理接收有关车辆的信息，并利用其算法动态更改交通信号灯的定时。通过利用贪婪算法，可以通过连接多个交叉路口将系统扩展到更广泛的区域。 关键词 : 无线传感器、网络、交通路口、交通信号灯、智能交通管理。 _____________________________________________________________________________________