Föderiertes Lernen für das Internet der Fahrzeuge
Fortschritte und Anwendungen
Versandkostenfrei!
Versandfertig in 6-10 Tagen
68,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Die rasante Entwicklung des Internet of Vehicles (IoV) führt zu bedeutenden Fortschritten bei intelligenten Verkehrssystemen, stellt jedoch auch kritische Herausforderungen an die Datensicherheit, den Datenschutz und die Entscheidungsfindung in Echtzeit. In dieser Studie wird ein auf Federated Learning (FL) basierender Sicherheitsrahmen für IoV vorgeschlagen, der Federated Averaging (FedAvg) und Differential Privacy (DP) integriert, um die Cybersicherheit zu verbessern und gleichzeitig den Datenschutz zu wahren. Das vorgeschlagene Modell nutzt dezentralisierte maschinelle Lerntechniken, um S...
Die rasante Entwicklung des Internet of Vehicles (IoV) führt zu bedeutenden Fortschritten bei intelligenten Verkehrssystemen, stellt jedoch auch kritische Herausforderungen an die Datensicherheit, den Datenschutz und die Entscheidungsfindung in Echtzeit. In dieser Studie wird ein auf Federated Learning (FL) basierender Sicherheitsrahmen für IoV vorgeschlagen, der Federated Averaging (FedAvg) und Differential Privacy (DP) integriert, um die Cybersicherheit zu verbessern und gleichzeitig den Datenschutz zu wahren. Das vorgeschlagene Modell nutzt dezentralisierte maschinelle Lerntechniken, um Sicherheitsbedrohungen zu entschärfen, die Abhängigkeit von Rohdatenübertragungen zu verringern und den unbefugten Zugriff auf sensible Fahrzeug- und Benutzerdaten zu verhindern. Durch eine umfassende empirische Analyse unter Verwendung realer Cybersicherheitsdatensätze bewertet diese Forschung die Leistung, Skalierbarkeit und Effizienz FL-basierter Sicherheitsmechanismen im Vergleich zu herkömmlichen Ansätzen.
Andere Kunden interessierten sich für
