Conceitos essenciais
Die Studie untersucht die Robustheit von Verteidigungsstrategien auf der Grundlage von Verhaltensattestierung gegen Vergiftungsangriffe in Federated Learning-Systemen für vernetzte und automatisierte Fahrzeuge.
Resumo
Die Studie untersucht die Robustheit von Verteidigungsstrategien auf der Grundlage von Verhaltensattestierung gegen Vergiftungsangriffe in Federated Learning-Systemen für vernetzte und automatisierte Fahrzeuge.
Es wird ein Rahmenwerk für FL-basierte Systeme in Fahrzeugnetzen entwickelt, in dem ein Verteidigungsmechanismus implementiert werden kann, um Schutz gegen Vergiftungsangriffe zu bieten. Das Rahmenwerk ermöglicht den Austausch der zugrunde liegenden zeitlichen und dynamischen lokalen Modellaktualisierungen jedes Fahrzeugs des Systems auf transparente und sichere Weise, um deren Training zu überwachen.
Es wird ein Verteidigungsmechanismus namens "Vehicular AttestedFL" vorgeschlagen, der aus drei Verteidigungslinien besteht, die für Fahrzeugnetze geeignet sind, in denen die Mobilität der Fahrzeuge berücksichtigt wird.
Die Leistungsfähigkeit des Verteidigungsmechanismus wird anhand eines realistischen Federated Learning-Aufgabe in Fahrzeugnetzen evaluiert, bei der ein prädiktives Modell für die Geschwindigkeit auf Streckenebene entwickelt wird, um die Geschwindigkeit von Straßenabschnitten vorherzusagen. Die Auswirkungen der Verteidigung werden bewertet, um die Effizienz und Sicherheit des Schutzmechanismus zu validieren.
Estatísticas
Die jüngste Anwendung von Federated Learning-Algorithmen in IoT- und drahtlosen Fahrzeugnetzen hat zu neuen Cyber-Bedrohungen in der mobilen Umgebung geführt, die in traditionellen Festnetzen nicht vorhanden waren.
Federated Learning ermöglicht das Erlernen intelligenterer Modelle bei geringerer Netzwerkverzögerung und geringerem Stromverbrauch auf heterogenen Geräten, während gleichzeitig die Privatsphäre gewahrt bleibt.
Vergiftungsangriffe zielen darauf ab, die Gewichtsparameter des lokalen Modells so zu stören, dass die Leistung und Vorhersagegenauigkeit des globalen Modells beeinträchtigt werden.
Die Verteidigungsstrategien sind in der Lage, bösartige Knoten im drahtlosen mobilen Umfeld zukünftiger intelligenter Straßennetze zu erkennen und zu eliminieren.
Citações
"Die jüngste Anwendung von Federated Learning-Algorithmen in IoT- und drahtlosen Fahrzeugnetzen hat zu neuen Cyber-Bedrohungen in der mobilen Umgebung geführt, die in traditionellen Festnetzen nicht vorhanden waren."
"Federated Learning ermöglicht das Erlernen intelligenterer Modelle bei geringerer Netzwerkverzögerung und geringerem Stromverbrauch auf heterogenen Geräten, während gleichzeitig die Privatsphäre gewahrt bleibt."
"Vergiftungsangriffe zielen darauf ab, die Gewichtsparameter des lokalen Modells so zu stören, dass die Leistung und Vorhersagegenauigkeit des globalen Modells beeinträchtigt werden."