Year: 2026
Type: dissertation
Abstract: Esta dissertação propõe uma arquitetura de defesa contra ataques em VANETs, utilizando a Federated Learning (Aprendizagem Federada – FL) e a Blockchain. Apesar dos benefícios proporcionados pelas VANETs, é necessário desenvolver soluções que permitam que o sistema seja robusto e íntegro. A arquitetura proposta integra o LSTM (Long Short-Term Memory), que é treinado localmente nos Workers (veículos), para realizar previsões de velocidade e latência. A Aprendizagem Federada realiza o treino colaborativo sem a necessidade de partilha de dados brutos, e a Blockchain garante maior privacidade e controlo de acesso. As duas estratégias de defesa, “Distância Euclidiana” e “Divergência KL”, são implementadas para detetar ataques, como o ataque estático, o ataque de pretensão estático, o ataque de pretensão aleatória e o ataque progressivo. A arquitetura, que inclui Roadside Units (Unidades de Apoio Rodoviário – RSUs), nós Workers e um nó Central (Chief), é testada em cenários de simulação implementados com ferramentas como o SUMO, o NS-3 (módulo LTE/EPC, com parametrização 5G-like) e o TensorFlow. Os resultados obtidos avaliam o desempenho das estratégias de defesa (Distância Euclidiana e Divergência KL), com e sem a Blockchain.
Institution: Autonomous University of Lisbon
Language: Portuguese
Subfield: Electrical and Electronic Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7217586022
