Aprendizaje federado con seguridad criptográfica mejorada para sistemas ciberfísicos vehiculares

Hoy en día, el transporte depende en gran medida de los sistemas ciberfísicos vehiculares (VCPS), que mejoran los sistemas de transporte inteligente (ITS) con avances como el control del tráfico en tiempo real y vehículos autónomos. Debido a que los datos que manejan estos dispositivos son sensibles, no solo permiten que los automóviles, las unidades de carretera (RSUs) y las estaciones base se conecten sin problemas, sino que también presentan serios problemas de seguridad. La intrusión puede resultar en peligros para la seguridad pública, pérdidas monetarias y una disminución de la confianza en estos servicios vitales. Este documento presenta un nuevo diseño de aprendizaje federado destinado a mejorar la seguridad de los datos en VCPS para superar estos problemas. El aprendizaje federado garantiza la privacidad de los datos en bruto al permitir el entrenamiento de modelos descentralizados dentro de vehículos individuales o RSUs. Para proteger aún más la privacidad al agregar modelos locales en uno global, el marco incluye el método de Laplace para añadir ruido a las actualizaciones del modelo. Las RSUs, los vehículos y un servidor central colaboran en el marco seguro para detener filtraciones de información que ocurren durante la comunicación y el entrenamiento del modelo. El método sugerido supera las técnicas de criptografía convencionales cuando se prueba utilizando el conjunto de datos CICIDS2017, manteniendo niveles significativos de confidencialidad y seguridad sin sacrificar la velocidad de cálculo o la precisión del modelo. Desarrollar tales medidas de seguridad sofisticadas será esencial para mantener la integridad y la confiabilidad de los sistemas de transporte a medida que los VCPS evolucionan, lo que resultará en una mayor seguridad y eficiencia en el transporte.