数字孪生与联邦学习融合以保障车载物联网安全
密码学与安全
2023-07-27 v1
摘要
在当代先进技术时代，物联网（IoT）在实现智能互联环境中发挥着关键作用，涵盖智能家居、智慧医疗、智慧城市、智能车辆等诸多领域。随着普适的智能连接设备与系统，与之关联的大量数据正面临来自这些系统中恶意实体（如用户、设备、应用）的重大风险。包括云计算、机器学习（ML）与数据分析在内的创新技术，支撑了面向车载物联网（V-IoT）的异常检测模型的发展，V-IoT 包含协同自动驾驶与增强型交通系统。然而，传统集中式异常检测模型因高时延、隐私泄露、性能开销与模型漂移等问题，无法为联网车辆提供更好服务。近来，联邦学习（FL）因其在物联网领域解决数据隐私问题的能力而获得广泛认可。数字孪生（DT）通过创建模拟交通轨迹、城市政策与车辆利用等多重要素的虚拟副本，在应对不确定危机与数据安全问题上展现出益处。然而，V-IoT DT 系统的有效性高度依赖于长期高质量数据的收集以做出恰当决策。本文提出一种基于分层联邦学习（HFL）的 V-IoT 异常检测模型，旨在提升模型精度。我们所提模型融合 DT 与 HFL 方法，构建利用异常检测模型识别恶意活动的综合系统。此外，给出了真实世界 V-IoT 用例场景以展示所提模型的应用。
引用
@article{arxiv.2307.13794,
title = {Integration of Digital Twin and Federated Learning for Securing Vehicular Internet of Things},
author = {Deepti Gupta and Shafika Showkat Moni and Ali Saman Tosun},
journal= {arXiv preprint arXiv:2307.13794},
year = {2023}
}