車両サイバー物理システムのための強化された暗号セキュリティを持つフェデレーティッド学習

近年、交通は車両サイバー物理システム（VCPS）に大きく依存しており、リアルタイム交通制御や自動運転車両といった進歩により、インテリジェント交通システム（ITS）を改善しています。これらのデバイスが扱うデータは機密性が高いため、自動車、路側ユニット（RSU）、基地局がシームレスに接続できるようにするだけでなく、深刻なセキュリティ問題を引き起こします。不正侵入は公共の安全に危険をもたらし、金銭的損失、これらの重要なサービスへの信頼の低下を招く可能性があります。本論文では、VCPSにおけるデータセキュリティを改善するために新しいフェデレーティッド学習の設計を提案します。フェデレーティッド学習は、個々の車両やRSU内での分散型モデルトレーニングを可能にすることで生データのプライバシーを保証します。地元モデルをグローバルなモデルに集約する際にプライバシーをさらに保護するために、フレームワークはモデルの更新にノイズを追加するラプラス法を組み込んでいます。RSU、車両、および中央サーバが安全なフレームワークで協力し、通信とモデルトレーニング中に発生する情報漏洩を防ぎます。提案された方法は、CICIDS2017データセットを使用してテストした際に従来の暗号技術を上回り、計算速度やモデルの正確性を犠牲にすることなく重要な機密性と安全性を保っています。このような高度なセキュリティ対策を発展させることは、VCPSが発展するにつれて交通システムの誠実性と信頼性を維持するために不可欠であり、最終的には交通の安全性と効率性の向上につながります。