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 €![Föderiertes Lernen für das Internet der Fahrzeuge]( "Föderiertes Lernen für das Internet der Fahrzeuge")
Föderiertes Lernen für das Internet der Fahrzeuge68,90 €![Nowe zastosowanie internetu rzeczy]( "Nowe zastosowanie internetu rzeczy")
Nowe zastosowanie internetu rzeczy23,99 €![Analiza wymaga¿ dla mobilnych systemów monitorowania pacjentów]( "Analiza wymaga¿ dla mobilnych systemów monitorowania pacjentów")
Analiza wymaga¿ dla mobilnych systemów monitorowania pacjentów26,99 €
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.