Uczenie federacyjne dla Internetu pojazdów

Szybka ewolucja Internetu Pojazdów (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 prywatność różnicową (DP) w celu zwiększenia cyberbezpieczeństwa przy jednoczesnym zachowaniu prywatności danych. Proponowany model wykorzystuje zdecentralizowane techniki uczenia maszynowego w celu złagodzenia 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 zbiorów danych dotyczących cyberbezpieczeństwa badania te oceniają wydajność skalowalność i skuteczność mechanizmów bezpieczeństwa opartych na FL w porównaniu z konwencjonalnymi podejściami.