L'évolution rapide de l'Internet des véhicules (IoV) introduit des avancées significatives dans les systèmes de transport intelligents, mais présente également des défis critiques en matière de sécurité des données, de protection de la vie privée et de prise de décision en temps réel. Cette étude propose un cadre de sécurité basé sur l'apprentissage fédéré (FL) pour l'IoV, intégrant la moyenne fédérée (FedAvg) et la confidentialité différentielle (DP) pour améliorer la cybersécurité tout en préservant la confidentialité des données. Le modèle proposé...

The rapid evolution of the Internet of Vehicles (IoV) introduces significant advancements in smart transportation systems, yet also presents critical challenges in data security, privacy, and real-time decision-making. This study proposes a Federated Learning (FL)-based security framework for IoV, integrating Federated Averaging (FedAvg) and Differential Privacy (DP) to enhance cybersecurity while preserving data privacy. The proposed model leverages decentralized machine learning techniques to mitigate security threats, reduce reliance on raw data transmission, and prevent unauthorized...

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...