動的クライアント選択と異常検出を用いた車両ネットワークにおける安全な階層型フェデレーテッドラーニング

階層型フェデレーテッドラーニング（HFL）は、車両ネットワークにおける敵対的または信頼できない車両による重大な課題に直面しており、これらの車両は誤解を招く更新を通じてモデルの整合性を損なう可能性があります。これに対処するため、私たちの研究は、動的な車両選択と堅牢な異常検出メカニズムを統合した新しいフレームワークを導入し、参加者の選択を最適化し、悪意のある貢献に関連するリスクを軽減することを目指しています。私たちのアプローチは、過去の精度、貢献頻度、異常記録を考慮した包括的な車両の信頼性評価を含みます。異常検出アルゴリズムは、フェデレーテッドラーニング（FL）プロセス中にローカルまたはモデルのパラメータのコサイン類似度を分析することによって異常な振る舞いを特定するために利用されます。これらの異常記録は登録され、過去のパフォーマンス（精度および貢献頻度）と組み合わせて、各学習ラウンドに最も適した車両を特定します。動的クライアント選択および異常検出アルゴリズムは、クラスタヘッド（CH）、クラスタメンバー（CM）、および進化するパケットコア（EPC）などの異なるレベルで展開され、虚偽の更新を検出してフィルタリングします。シミュレーションに基づくパフォーマンス評価を通じて、提案されたアルゴリズムは、激しい攻撃条件下でも卓越したレジリエンスを示します。最悪のシナリオにおいても、攻撃のないシナリオでの63\%の効果的な収束時間を達成します。逆に、私たちの提案したアルゴリズムを利用しないシナリオでは、FLプロセスにおける非収束の可能性が高いです。