Apprendimento federato per l'Internet dei veicoli
Progressi e applicazioni
Versandkostenfrei!
Versandfertig in 6-10 Tagen
44,99 €
inkl. MwSt.
PAYBACK Punkte
22 °P sammeln!
La rapida evoluzione dell'Internet of Vehicles (IoV) introduce progressi significativi nei sistemi di trasporto intelligenti, ma presenta anche sfide critiche in termini di sicurezza dei dati, privacy e processo decisionale in tempo reale. Questo studio propone un framework di sicurezza per l'IoV basato sull'apprendimento federato (FL), che integra la media federata (FedAvg) e la privacy differenziale (DP) per migliorare la cybersicurezza e preservare la privacy dei dati. Il modello proposto sfrutta tecniche di apprendimento automatico decentralizzato per mitigare le minacce alla sicurezza, ri...
La rapida evoluzione dell'Internet of Vehicles (IoV) introduce progressi significativi nei sistemi di trasporto intelligenti, ma presenta anche sfide critiche in termini di sicurezza dei dati, privacy e processo decisionale in tempo reale. Questo studio propone un framework di sicurezza per l'IoV basato sull'apprendimento federato (FL), che integra la media federata (FedAvg) e la privacy differenziale (DP) per migliorare la cybersicurezza e preservare la privacy dei dati. Il modello proposto sfrutta tecniche di apprendimento automatico decentralizzato per mitigare le minacce alla sicurezza, ridurre la dipendenza dalla trasmissione di dati grezzi e impedire l'accesso non autorizzato ai dati sensibili di veicoli e utenti. Attraverso un'ampia analisi empirica che utilizza set di dati reali sulla cybersicurezza, questa ricerca valuta le prestazioni, la scalabilità e l'efficienza dei meccanismi di sicurezza basati su FL rispetto agli approcci convenzionali.
Andere Kunden interessierten sich für
