Andere Kunden interessierten sich auch für
![Aprendizagem federada para a Internet dos veículos]( "Aprendizagem federada para a Internet dos veículos")
Aprendizagem federada para a Internet dos veículos44,99 €![Apprentissage fédéré pour l'internet des véhicules]( "Apprentissage fédéré pour l'internet des véhicules")
Apprentissage fédéré pour l'internet des véhicules44,99 €![Apprendimento federato per l'Internet dei veicoli]( "Apprendimento federato per l'Internet dei veicoli")
Apprendimento federato per l'Internet dei veicoli44,99 €![Federated Learning for the Internet of Vehicles]( "Federated Learning for the Internet of Vehicles")
Federated Learning for the Internet of Vehicles45,99 €![Uczenie federacyjne dla Internetu pojazdów]( "Uczenie federacyjne dla Internetu pojazdów")
Uczenie federacyjne dla Internetu pojazdów44,99 €![Cybersecurity und IoT-Sicherheit: Schutz der EU-Institutionen vor Bedrohungen]( "Cybersecurity und IoT-Sicherheit: Schutz der EU-Institutionen vor Bedrohungen")
Cybersecurity und IoT-Sicherheit: Schutz der EU-Institutionen vor Bedrohungen35,90 €![Cybersecurity im Zeitalter der KI: Die Verteidigung der digitalen Welt]( "Cybersecurity im Zeitalter der KI: Die Verteidigung der digitalen Welt")
Cybersecurity im Zeitalter der KI: Die Verteidigung der digitalen Welt79,90 €
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.