ABSTRAK
Perkembangan pesat kendaraan yang terhubung dalam Internet of Vehicles (IoV) telah menimbulkan tantangan keamanan dan privasi data yang signifikan, yang menekankan perlunya sistem deteksi intrusi (IDS) yang canggih. Artikel ini mengusulkan sistem deteksi intrusi berbasis pembelajaran terfederasi (FL-IDS), yang secara eksplisit dirancang untuk mengidentifikasi ancaman tingkat jaringan eksternal dan serangan siber internal kendaraan. Pembelajaran terfederasi memungkinkan pelatihan kolaboratif di seluruh kendaraan yang terdistribusi tanpa berbagi data mentah, yang secara signifikan mengurangi overhead komunikasi dan menjaga privasi data. Untuk lebih meningkatkan privasi, mekanisme privasi diferensial (DP) diterapkan, yang memastikan informasi sensitif tetap terlindungi bahkan selama pembaruan model. Selain itu, saluran komunikasi yang aman dibuat menggunakan protokol Secure Sockets Layer/Transport Layer Security (SSL/TLS), yang secara efektif menjaga integritas dan keaslian pertukaran data antara kendaraan, unit pinggir jalan, dan server cloud. Metode praproses yang tangguh, termasuk penyeimbangan data, normalisasi, dan pemilihan fitur, dipadukan dengan strategi pembelajaran terfederasi adaptif (FedXgbBagging) yang secara khusus dirancang untuk mengatasi tantangan yang ditimbulkan oleh data yang heterogen, tidak independen, dan terdistribusi secara identik (non-IID). Evaluasi ekstensif pada dua set data dunia nyata, CSE-CIC-IDS2018 untuk serangan jaringan dan CICIoV2024 untuk serangan bus Controller Area Network (CAN) dalam kendaraan—menunjukkan kinerja yang luar biasa, mencapai tingkat akurasi masing-masing sebesar 99,64% dan 99,99%. FL-IDS yang diusulkan secara signifikan mengungguli metode yang ada, menunjukkan ketangguhan, kemampuan beradaptasi, dan skalabilitasnya dalam mengamankan lingkungan IoV terhadap berbagai ancaman siber.
Pendekatan Pembelajaran Terfederasi yang Efektif untuk Deteksi Intrusi yang Aman, Terskala, dan Terprivasi di Internet Kendaraan
