Föderiertes Lernen für das Internet der Fahrzeuge

Die rasante Entwicklung des Internet of Vehicles (IoV) f hrt zu bedeutenden Fortschritten bei intelligenten Verkehrssystemen, stellt jedoch auch kritische Herausforderungen an die Datensicherheit, den Datenschutz und die Entscheidungsfindung in Echtzeit. In dieser Studie wird ein auf Federated Learning (FL) basierender Sicherheitsrahmen f r IoV vorgeschlagen, der Federated Averaging (FedAvg) und Differential Privacy (DP) integriert, um die Cybersicherheit zu verbessern und gleichzeitig den Datenschutz zu wahren. Das vorgeschlagene Modell nutzt dezentralisierte maschinelle Lerntechniken, um Sicherheitsbedrohungen zu entsch rfen, die Abh ngigkeit von Rohdaten bertragungen zu verringern und den unbefugten Zugriff auf sensible Fahrzeug- und Benutzerdaten zu verhindern. Durch eine umfassende empirische Analyse unter Verwendung realer Cybersicherheitsdatens tze bewertet diese Forschung die Leistung, Skalierbarkeit und Effizienz FL-basierter Sicherheitsmechanismen im Vergleich zu herk mmlichen Ans tzen.