Uczenie federacyjne dla Internetu pojazdów

Szybka ewolucja Internetu Pojazd w (IoV) wprowadza znaczące postępy w inteligentnych systemach transportowych, ale także stawia krytyczne wyzwania w zakresie bezpieczeństwa danych, prywatności i podejmowania decyzji w czasie rzeczywistym. W niniejszym badaniu zaproponowano oparte na uczeniu federacyjnym (FL) ramy bezpieczeństwa dla IoV, integrujące uśrednianie federacyjne (FedAvg) i prywatnośc r żnicową (DP) w celu zwiększenia cyberbezpieczeństwa przy jednoczesnym zachowaniu prywatności danych. Proponowany model wykorzystuje zdecentralizowane techniki uczenia maszynowego w celu zlagodzenia zagrożeń bezpieczeństwa, zmniejszenia zależności od transmisji nieprzetworzonych danych i zapobiegania nieautoryzowanemu dostępowi do wrażliwych danych pojazdu i użytkownika. Poprzez szeroko zakrojoną analizę empiryczną z wykorzystaniem rzeczywistych zbior w danych dotyczących cyberbezpieczeństwa, badania te oceniają wydajnośc, skalowalnośc i skutecznośc mechanizm w bezpieczeństwa opartych na FL w por wnaniu z konwencjonalnymi podejściami.