安全集群基础层次联邦学习在车联网中的应用

本研究针对车联网中的层次联邦学习(HFL)面临的 adversarial 和不可靠车辆问题，提出了一种新颖的防御框架，结合动态车辆选择和强健的异常检测，以增强模型的完整性和收敛性。该框架通过综合评估车辆的历史准确性及更新过程中的异常记录，有效地识别和过滤恶意更新，从而显著缩短收敛时间，提升了系统的整体性能。