분산 연합 학습(DFL)을 이용하여 자율 주행 차량의 안전 메시지 분류를 위한 머신러닝 모델을 학습하는 방법을 제시합니다. 차량 간 네트워크의 대규모, 고이동성, 이기종 데이터 분포라는 한계를 극복하기 위해, 차량들이 1-hop 이웃 간 모델 업데이트를 교환하고 다중 홉을 통해 모델을 전파하는 DFL을 활용합니다. Vehicular Reference Misbehavior (VeReMi) Extension Dataset을 사용하여 실험한 결과, DFL이 순수 로컬 학습에 비해 모든 차량에서 분류 정확도를 크게 향상시키는 것을 보여줍니다. 특히, 개별 정확도가 낮은 차량에서 DFL을 통해 상당한 정확도 향상을 보이며, 네트워크 전반의 지식 공유의 이점을 보여줍니다. 또한, 로컬 학습 데이터 크기와 시간에 따라 변하는 네트워크 연결성이 모델의 전반적인 정확도와 강한 상관관계가 있음을 보여줍니다. 무선 재밍 및 학습 데이터 오염 공격과 같은 다중 도메인 공격 하에서 DFL의 복원력과 취약성을 조사합니다. 다중 도메인 공격에 직면했을 때 DFL의 취약성에 대한 중요한 통찰력을 제시하며, 차량 네트워크에서 DFL을 보호하기 위한 더욱 강력한 전략의 필요성을 강조합니다.