- 基于强化学习的感知到达时延感知资源分配方法研究
提出了一种基于可重构智能表面的车联网网络方案,利用信息时代模型和负载传输概率模型来优化车辆与基础设施之间的时效和车辆之间的稳定性,通过软性演员 - 评论家算法以最小化信息时代和优先传输负载的方式,使用驻波状态下 AI-B 图方案控制车辆的资 - FedPylot:面向物联网的实时对象检测的联邦学习导航
本研究探讨了在物联网车辆中采用联邦学习的切实可行性和应用价值,并介绍了一种基于 MPI 的轻量级原型系统 FedPylot,以模拟在高性能计算系统上进行联邦目标检测实验,并针对准确性、通信成本和推理速度进行评估,旨在为自动驾驶车辆面临的挑战 - 物联网车联网中混合专家模型与多模态生成 AI 的集成:综述
通过集成 Moe 和 GAI 实现 IoV 中的人工通用智能,以实现 IoV 的全面自主性,减少人类监督,并适用于广泛的机动性场景,包括环境监测、交通管理和自动驾驶。
- 分散式车联网中移动 AIGC 服务的基于学习的激励机制
在本文中,我们提出了一种分散化的激励机制,利用多智能体深度强化学习在车联网环境中平衡 RSUs 上的 AIGC 服务供应和用户对服务的需求,以优化用户体验和减小传输时延。实验结果表明,我们的方法在性能上优于其他基准模型。
- 辅助车联网的分布式多目标客户端选择在联邦学习中的应用
在本研究中,我们提出了一种分布式客户选择方案,以减少所有参与者维护活动状态的成本,并通过使用模糊逻辑作为评估器实现了对最高评价客户的选举,从而在准确性上接近集中式客户选择并显著减少通信开销。
- 工业网络的数字孪生本地化人工智能驱动服务架构
互联需求的剧增导致物联网(IoT)传感器过量。为了满足大规模网络的管理需求,如准确的监测和学习能力,数字孪生是关键驱动因素。然而,由于物联网网络的连续连接要求,目前对数字孪生的实施尝试仍然不足。为了应对这些挑战,我们提出了一种数字孪生本地 - 通过联邦学习增强车联网中的入侵检测
本文提出了一个基于联邦学习的入侵检测框架,通过使用 CIC-IDS 2017 数据集,在 Internet of Vehicles (IOV) 中实现去中心化机器学习,采用 SMOTE 来处理类别不平衡,异常观测值检测来识别和移除异常观测值 - 稀疏联邦训练在物联网车辆中的目标检测
提出了一种基于联邦学习的、针对车联网的目标检测方法,在保证性能的前提下降低通信成本。
- 基于知识驱动的多智能体强化学习在智能车联网中的计算卸载
通过在车辆和路边单元之间进行计算任务卸载,车联网中的边缘计算可以减轻车载计算负担。本文提出了一种基于知识驱动的多智能体强化学习方法来降低虚拟空间中基于边缘计算的车联网任务卸载的延迟,通过利用图神经网络整合图结构通信拓扑和置换不变性的领域知识 - 基于联邦学习的车辆轨迹抗网络攻击预测
本文提出了一种基于联邦学习的车辆轨迹预测算法 FL-TP,以应对物联网汽车系统中的网络安全问题,并通过公开可用的 VeReMi 数据集进行了测试,结果表明,该算法可以在最大的网络攻击渗透性场景下,将攻击检测和轨迹预测的准确性提高达 6.99 - LCCDE: 基于决策的集成框架用于智能汽车互联网入侵检测
为了保护互联汽车系统免受网络攻击的危害,提出了一种基于机器学习的新型集合入侵检测系统框架 (LCCDE),在车辆攻击和 CICIDS2017 数据集上的实验表明其检测多种类型的网络攻击的效果显著。
- 车内网络异常检测
本文讨论了 CAN 总线协议的安全问题,并提出了一种基于人工智能算法的入侵检测系统,旨在通过考虑时间序列特征和攻击频率来准确检测已知的网络攻击。
- GFCL: 一种基于 GRU 的联邦式连续学习框架,用于对抗 IoV 中的数据毒化攻击
本文提出了一个基于 Gated Recurrent Unit (GRU) 的联合持续学习 (GFCL) 异常检测框架,针对 Sybil 攻击对 IoV 的安全问题进行了研究,使用了实际的车辆轨迹数据,结果表明我们提出的解决方案具有良好的效果 - 基于区块链的联邦学习框架在车联网中的系统性文献综述
本研究阐述了区块链加密联邦学习方案在保护车联网数据隐私方面的应用和实现,同时提出相应的解决方案和未来研究方向。
- 基于深度强化学习的车联网边缘计算多接入调度
利用无人机辅助多智能体图卷积深度强化学习算法,实现车道上物联网设备最大化的用户体验,并在仿真中取得了良好的性能。
- 无线网络通信模式下实现带宽感知算法的 IoV 场景
本文主要关注在虚拟网络环境下的带宽资源分配问题,提出了一种基于粒子群优化算法的带宽感知多域虚拟网络嵌入算法(BA-VNE),并通过模拟实验验证了该算法在链接带宽、映射成本和虚拟网络请求接受率等性能指标上的优越性。
- MM一种基于转移学习和优化卷积神经网络的物联网车辆入侵检测系统
本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS,用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中,该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25%的检测率和 F1 - 面向互联车辆的集成边缘云计算中多请求卸载的 QoS-SLA 感知自适应遗传算法
该论文提出一种基于人工智能的 QoS-SLA-aware 自适应遗传算法,包括车辆的速度和多请求处理重叠的影响,以优化异构边缘云计算系统中多请求卸载应用的执行时间。与基于随机卸载和基线基因法相比,实验结果表明该算法可以平均提高 1.22 倍 - 基于学习的数字孪生技术辅助的车联网任务卸载
本文提出了一种数字孪生(DT)辅助的任务卸载框架,用于移动边缘计算卸载策略的优化,基于预测未来计算任务的学习方案,将卸载调度过程建模为马尔可夫决策过程(MDP),以在延迟、能耗和云租用成本之间平衡,以获得最优卸载策略。
- MM针对车联网深度强化学习框架的对抗攻击
本文通过实验研究了 Sybil-based 数据恶意攻击对基于深度强化学习技术的动态服务部署在 IoT 中的影响,结果表明在网络中存在 Sybil-based 数据恶意攻击时,性能会显著受到影响。