Inès BEN JAAFAR / Moheddine Rabaoui
Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
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.