Inès BEN JAAFAR / Moheddine Rabaoui
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
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.