Uczenie federacyjne dla Internetu pojazdów

Szybka ewolucja Internetu Pojazdów (IoV) wprowadza znacz-ce post-py w inteligentnych systemach transportowych, ale tak-e stawia krytyczne wyzwania w zakresie bezpiecze-stwa danych, prywatno-ci i podejmowania decyzji w czasie rzeczywistym. W niniejszym badaniu zaproponowano oparte na uczeniu federacyjnym (FL) ramy bezpiecze-stwa dla IoV, integruj-ce u-rednianie federacyjne (FedAvg) i prywatno-- ró-nicow- (DP) w celu zwi-kszenia cyberbezpiecze-stwa przy jednoczesnym zachowaniu prywatno-ci danych. Proponowany model wykorzystuje zdecentralizowane techniki uczenia maszynowego w celu z-agodzenia zagro-e- bezpiecze-stwa, zmniejszenia zale-no-ci od transmisji nieprzetworzonych danych i zapobiegania nieautoryzowanemu dost-powi do wräliwych danych pojazdu i u-ytkownika. Poprzez szeroko zakrojon- analiz- empiryczn- z wykorzystaniem rzeczywistych zbiorów danych dotycz-cych cyberbezpiecze-stwa, badania te oceniaj- wydajno--, skalowalno-- i skuteczno-- mechanizmów bezpiecze-stwa opartych na FL w porównaniu z konwencjonalnymi podej-ciami.

Prof. Inès Benjaafar recieved the B. SC, M. Sc, Ph. D and Habilitation degrees in BusinessInformatics from the University of Tunis, ISG-Tunis, Tunisia, In 1998, 2000, 2006 and 2019,respectively.She is currently associate Professor with the University of Manouba, ESC-Tunis, Tunisia.