Este artículo aborda la vulnerabilidad de los ataques de inversión de etiquetas dirigida (TLFA) en sistemas de clasificación del estado de la carretera (RCC) para vehículos autónomos basados en aprendizaje federado (FL). Se destaca la gravedad de los ataques TLFA, en los que un vehículo malicioso modifica intencionalmente las etiquetas de los datos de entrenamiento para degradar el rendimiento de inferencia de un modelo entrenado, y se presenta una nueva métrica para medir cuantitativamente el riesgo de seguridad de dichos ataques. Además, se propone FLARE, un mecanismo de defensa que mitiga el impacto de los TLFA mediante el análisis neuronal en la capa de salida de las redes neuronales. Mediante diversos experimentos, se demuestra la gravedad de los TLFA y la eficacia de FLARE en el sistema FL-RCC.
