Szybka ewolucja Internetu Pojazdów (IoV) wprowadza znacz?ce post?py w inteligentnych systemach transportowych, ale tak?e stawia krytyczne wyzwania w zakresie bezpiecze?stwa danych, prywatno?ci i podejmowania decyzji w czasie rzeczywistym. W niniejszym badaniu zaproponowano oparte na uczeniu federacyjnym (FL) ramy bezpiecze?stwa dla IoV, integruj?ce u?rednianie federacyjne (FedAvg) i prywatno?c ró?nicow? (DP) w celu zwi?kszenia cyberbezpiecze?stwa przy jednoczesnym zachowaniu prywatno?ci danych. Proponowany model wykorzystuje zdecentralizowane techniki uczenia maszynowego w celu zlagodzenia zagro?e? bezpiecze?stwa, zmniejszenia zale?no?ci od transmisji nieprzetworzonych danych i zapobiegania nieautoryzowanemu dost?powi do wra?liwych danych pojazdu i u?ytkownika. Poprzez szeroko zakrojon? analiz? empiryczn? z wykorzystaniem rzeczywistych zbiorów danych dotycz?cych cyberbezpiecze?stwa, badania te oceniaj? wydajno?c, skalowalno?c i skuteczno?c mechanizmów bezpiecze?stwa opartych na FL w porównaniu z konwencjonalnymi podej?ciami.