Andere Kunden interessierten sich auch für
![Detección de objetos para la asistencia a la conducción en vehículos autónomos de defensa]( "Detección de objetos para la asistencia a la conducción en vehículos autónomos de defensa")
Detección de objetos para la asistencia a la conducción en vehículos autónomos de defensa45,99 €![Impacto de las interfaces de pantalla pequeña en el aprendizaje de temas técnicos]( "Impacto de las interfaces de pantalla pequeña en el aprendizaje de temas técnicos")
Impacto de las interfaces de pantalla pequeña en el aprendizaje de temas técnicos50,99 €![Clasificación eficiente de escenas para RSI mediante técnicas de aprendizaje profundo]( "Clasificación eficiente de escenas para RSI mediante técnicas de aprendizaje profundo")
Clasificación eficiente de escenas para RSI mediante técnicas de aprendizaje profundo52,99 €![Desarrollo ágil de aplicaciones de aprendizaje profundo]( "Desarrollo ágil de aplicaciones de aprendizaje profundo")
Desarrollo ágil de aplicaciones de aprendizaje profundo68,99 €![Aprendizaje en línea de informática]( "Aprendizaje en línea de informática")
Aprendizaje en línea de informática52,99 €![Minimizar los retrasos y aumentar la velocidad de los vehículos en VANET]( "Minimizar los retrasos y aumentar la velocidad de los vehículos en VANET")
Minimizar los retrasos y aumentar la velocidad de los vehículos en VANET29,99 €![Visión por computador basada en tecnología de aprendizaje automático: monografía]( "Visión por computador basada en tecnología de aprendizaje automático: monografía")
Visión por computador basada en tecnología de aprendizaje automático: monografía68,99 €
La rápida evolución del Internet de los Vehículos (IoV) introduce avances significativos en los sistemas de transporte inteligentes, pero también presenta desafíos críticos en la seguridad de los datos, la privacidad y la toma de decisiones en tiempo real. Este estudio propone un marco de seguridad basado en el Aprendizaje Federado (FL) para IoV, integrando el Promedio Federado (FedAvg) y la Privacidad Diferencial (DP) para mejorar la ciberseguridad preservando la privacidad de los datos. El modelo propuesto aprovecha las técnicas de aprendizaje automático descentralizado para mitigar las amenazas a la seguridad, reducir la dependencia de la transmisión de datos en bruto y evitar el acceso no autorizado a datos sensibles de vehículos y usuarios. Mediante un extenso análisis empírico que utiliza conjuntos de datos de ciberseguridad del mundo real, esta investigación evalúa el rendimiento, la escalabilidad y la eficiencia de los mecanismos de seguridad basados en FL en comparación con los enfoques convencionales.