Uczenie federacyjne dla Internetu pojazdów
Post¿py i zastosowania
Versandkostenfrei!
Versandfertig in 6-10 Tagen
44,99 €
inkl. MwSt.
PAYBACK Punkte
22 °P sammeln!
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 cel...
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.
Andere Kunden interessierten sich für
