面向车载雾计算网络的自适应协同入侵检测系统（A-CIDS）设计与性能验证

为解决车载雾计算网络（VFNs）中传统协同入侵检测系统（CIDS）存在的低检测精度、高延迟和扩展性不足等问题，研究人员提出了一种集成机器学习驱动检测单元与改进概率同步并行（MPSP）模块的自适应协同入侵检测系统（A-CIDS）。该系统通过变分自编码器（VAE）和细粒度扩展隔离森林（FEIF）算法实现高效特征选择与异常检测，实验表明其局部检测精度达99.2%，误报率仅2%，延迟150毫秒，为动态车载环境提供了可扩展的实时安全解决方案。

　　

随着智能交通系统的快速发展，车载雾计算网络（Vehicular Fog Computing Networks, VFNs）成为支撑实时数据分析和决策的关键基础设施。然而，这种高度动态化的分布式网络正面临日益严峻的安全威胁，如时间敏感攻击、位置欺骗和分布式拒绝服务（DDoS）攻击。传统协同入侵检测系统（Collaborative Intrusion Detection System, CIDS）因静态拓扑假设和集中式架构，在VFNs中表现出检测延迟高、扩展性差等缺陷，难以满足安全关键场景的实时防护需求。

为突破这一技术瓶颈，研究人员开发了自适应协同入侵检测系统（Adaptive-CIDS）。该系统创新性地将机器学习驱动的本地检测单元与改进概率同步并行（Modified Probabilistic Synchronous Parallel, MPSP）模块相结合，构建了轻量级实时威胁协同防御网络。研究团队采用变分自编码器（Variational Autoencoder, VAE）进行特征降维，结合细粒度扩展隔离森林（Fine-grained Extended Isolation Forest, FEIF）算法提升异常检测灵敏度，并通过MPSP模块实现分布式节点间的异步情报同步。实验基于VeReMi_Extension和ToN-IoT数据集验证，系统在动态车载环境中展现出显著优势。

关键技术方法包括：1）基于VAE的特征选择与降维；2）FEIF多超平面分割算法优化异常检测；3）MPSP模块实现事件驱动通信；4）使用AMD Ryzen 7 6800HS处理器与NVIDIA RTX 4090 GPU的硬件加速平台。

研究结果

1. 威胁模型：系统针对VFNs特有的时间敏感攻击、DDoS攻击等威胁设计，通过分布式架构有效抵御协同虚假信息传播。
2. 实验设置：在高性能计算环境下，系统实现99.2%的本地检测精度，误报率较传统方法降低60%。
3. 讨论：MPSP模块的异步通信机制使威胁同步延迟降至150毫秒，较区块链方案提升3倍效率。

结论表明，A-CIDS通过机器学习与轻量级协同架构的创新融合，解决了VFNs中实时威胁检测与资源约束的矛盾。其核心贡献在于：1）FEIF-VAE组合提升复杂特征下的检测精度；2）MPSP模块突破传统CIDS的同步瓶颈；3）实验验证系统在动态环境中保持99%以上检测率的同时，通信开销降低40%。该研究为智能交通系统的安全防护提供了新范式，相关成果发表于《Engineering Applications of Artificial Intelligence》。

（注：作者单位信息未在文本中明确体现，故未作标注；所有技术细节均严格参照原文表述，未添加外部信息）