Apprentissage fédéré pour l'internet des véhicules

L'évolution rapide de l'Internet des véhicules (IoV) introduit des avancées significatives dans les systèmes de transport intelligents mais présente également des défis critiques en matière de sécurité des données de protection de la vie privée et de prise de décision en temps réel. Cette étude propose un cadre de sécurité basé sur l'apprentissage fédéré (FL) pour l'IoV intégrant la moyenne fédérée (FedAvg) et la confidentialité différentielle (DP) pour améliorer la cybersécurité tout en préservant la confidentialité des données. Le modèle proposé s'appuie sur des techniques décentralisées d'apprentissage automatique pour atténuer les menaces de sécurité réduire la dépendance à l'égard de la transmission de données brutes et empêcher l'accès non autorisé aux données sensibles du véhicule et de l'utilisateur. Grâce à une analyse empirique approfondie utilisant des ensembles de données de cybersécurité du monde réel cette recherche évalue les performances l'évolutivité et l'efficacité des mécanismes de sécurité basés sur l'apprentissage automatique par rapport aux approches conventionnelles.