EQAI：可解释的量子赋能反欺骗智能技术，用于保障可信的联网自动驾驶车辆通信安全

《IEEE Internet of Things Journal》：EQAI: Explainable Quantum-Empowered Antispoofing Intelligence for Trustworthy Connected Autonomous Vehicles Communication

　　摘要：随着联网自动驾驶车辆（CAVs）复杂性的增加，车辆互联网（IoV）面临新的安全挑战。传统的检测模型在实时可解释性、可扩展性以及对抗欺骗攻击的鲁棒性方面存在不足。本文提出了一种可解释的、基于量子技术的反欺骗智能（EQAI）框架，该框架将量子增强学习与可解释的信任推断相结合，以保障车辆通信的安全。EQAI模型采用了一个八量子比特的变分量子电路（VQC），并与基于Shapley加性解释（SHAP）和局部可解释模型不可知解释（LIME）的解释模块相结合。使用加拿大网络安全研究所2024年车辆互联网数据集（CICIoV2024），该框架实现了92.85%的检测准确率、82.1%的F1分数第三类，并且误报率（FAR）≤0.026%，优于现有的基于机器学习（ML）、区块链（BC）和联邦学习（FL）的方法。其紧凑的设计——仅有4900个可训练参数和约19.5千次浮点运算每秒（FLOPs）——证明了其在网络边缘的实时部署能力和能效。此外，LIME和SHAP分析揭示了透明的特征级推理机制，增强了操作员的信任感和系统的可解释性。因此，所提出的EQAI架构为安全、可信和智能的车辆网络奠定了可扩展、可解释和基于量子的基础，推动了向弹性IoV和下一代网络认知移动生态系统的发展。CCBY - IEEE不是该材料的版权所有者。请通过https://creativecommons.org/licenses/by/4.0/遵循说明以获取全文文章和API文档中的规定。

术语表：
AIA：人工智能
AU：接收机操作特性曲线下的区域
BC：区块链
CAV：联网自动驾驶车辆
CICIoV2024：加拿大网络安全研究所2024年车辆互联网数据集
DL：深度学习
DTD：数字孪生
EQAI：可解释的、基于量子技术的反欺骗智能
FAR：误报率
FLOPs：每秒浮点运算次数
FL：联邦学习
IoV：车辆互联网
IDS：入侵检测系统
LIME：局部可解释模型不可知解释（局部可解释性）
ML：机器学习
MLP：多层感知器
MD：漏检率
PQC：后量子密码学
QAI：量子人工智能
QML：量子机器学习
QNN：量子神经网络
QKD：量子密钥分发
SHAP：Shapley加性解释（全局可解释性）
TAD：信任评估和决策
V2X：车辆对一切
VQC：变分量子电路
XAI：可解释人工智能
q：量子电路中使用的量子比特数
L：变分量子层的数量（重复次数）
θQ：EQAI模型中的可训练量子参数
θC：EQAI模型中的可训练经典参数
Θ：总可训练参数（Θ=θQ+θC）
α：模型优化过程中使用的学习率
T：来自可解释推断的信任分数
F1：欺骗分类性能的加权F1分数
Acc：检测准确率（%）
tlat：平均模型推理延迟（ms）
Eq：量子嵌入能量（用于变分编码）
Plegit：合法消息分类的概率
Pspoof：欺骗消息分类的概率

第一节：引言
联网自动驾驶车辆（CAVs）通过实现实时导航、减少人为错误和提高车辆对一切（V2X）通信的效率，正在改变现代交通[1]。然而，这种连通性也引入了重大的网络安全风险，特别是欺骗攻击，攻击者会冒充合法实体将伪造消息注入网络。此类攻击可能导致错误的路由决策、车辆碰撞，甚至致命后果[2]。因此，确保CAV通信的完整性、真实性和可信度对于智能交通系统的安全部署至关重要。

传统的安全解决方案，如加密认证和数据加密，提供了基本的保护，但难以检测出微妙或适应性的欺骗技巧[3]。此外，尽管经典机器学习方法被广泛使用，但往往缺乏对对抗性攻击的鲁棒性，并且无法在决策过程中提供透明度[4]。例如，已经提出使用随机森林（RF）模型和联邦学习架构来检测车辆网络中的入侵和欺骗[5]。然而，这些方法通常受到适应能力低、缺乏可解释性以及在处理高维实时CAV数据时的计算效率低下的限制，如表I所述。

为了应对这些挑战，我们提出了一种新颖的框架——可解释的、基于量子技术的反欺骗智能（EQAI），它将量子信息理论与XAI相结合。QAI利用量子力学原理，如叠加和纠缠，实现高容量的并行处理和增强的模式识别[14]。另一方面，XAI专注于使AI决策过程透明和可解释，使用SHAP和LIME等工具[6]。

A. QAI模型在欺骗检测中的动机
CAVs中的欺骗攻击通常表现出信号参数（如相位、幅度、延迟和频率）的微妙变化，这使得使用传统机器学习模型难以检测。经典方法通常在线性或浅层特征空间中操作，这限制了它们区分合法信号和对抗信号的能力，特别是在存在噪声或对抗性干扰时。例如，在使用无人机的空中物流中，通过经典AI驱动的方法来阻止此类入侵一直是一个难题[15]。相比之下，量子机器学习（QML）模型利用量子力学原理——叠加、纠缠和干涉，在指数级更大的希尔伯特空间中编码和处理数据[16]。这使得QML能够并行探索复杂的高维数据分布，从而有效地捕捉与欺骗攻击相关的细微模式。此外，量子电路自然地模拟了不确定性和概率行为[17]，这与车对一切通信的随机性质非常吻合。通过利用这种量子并行性，EQAI框架提高了检测灵敏度并降低了误报的可能性，尤其是在零日欺骗场景中。

所提出的EQAI框架包括三个核心模块：1）量子增强欺骗威胁（QUEST）检测模块；2）可解释混合AI（x? AI）模块；3）信任评估和决策（TAD）模块。这些模块共同提供了强大的欺骗检测能力，增强了决策的可解释性，并实时评估消息的可信度。据我们所知，尚无工作将QAI和XAI结合起来用于CAVs中的欺骗检测。

本文的主要贡献如下：
- 我们提出了EQAI，一种用于检测和缓解CAV通信中欺骗攻击的混合量子-经典框架。
- 我们开发了一个结合了XAI工具（SHAP和LIME）的量子增强学习模型，以提供准确的威胁检测和可解释性。
- 我们使用公开可用的GPS欺骗数据集评估EQAI的性能，并将其与经典ML基线在准确性、延迟、通信开销和鲁棒性方面进行了比较。

文章的其余部分组织如下：
第二节探讨了以前的方法，并提供了关于现有差距的见解。
第三节介绍了系统架构和方法论。
第四节讨论了实验结果和性能评估。
第五节总结了研究并指出了未来的发展方向。

第二节：相关工作
由于对GPS和车辆间通信的依赖日益增加，CAV网络中的欺骗检测和信任管理引起了广泛的研究兴趣。传统的基于信任的方法，在车辆网络中，如[18]中调查的方法，使用历史行为或上下文指标来计算节点信任。虽然直观，但它们很少结合实时学习或模型驱动的解释。XAI已被引入到安全关键的AI系统中，但仅最近才应用于欺骗防御。大多数现有工作要么缺乏实时适用性，要么仅关注特征归属，而没有将其整合到基于信任的决策流程中。表I总结了使用各种加密、统计和基于学习的方法来解决这一问题的最近研究。

密码学方案，如导航消息认证（NMA）[19]，使用对称时基密钥（例如TESLA）或专用L1-SAIF通道来增强GNSS的完整性。虽然安全，但这些方法需要修改GNSS基础设施，并且由于加密验证而经常引入延迟。此外，它们缺乏对新欺骗向量或基于上下文的信任评估的适应性。此外，Leinmüller等人[20]提出的基于阈值的方法应用了基于移动等级、位置连续性或速度界限的合理性启发式。这些解决方案是轻量级的和可解释的，但当攻击者构建模仿真实轨迹的欺骗模式时容易产生误报。
此外，基于学习的策略显示出了更好的适应性。例如，Xu等人[21]提出了使用LSTM模型的FL IDS，尽管对广泛类别的异常有效，但该方法缺乏专门的GPS欺骗上下文和解释机制，使得诊断或证明警报变得困难。同样，Ayaz等人[22]提出的混合框架将FL与BC共识相结合，以增强消息传播中的信任传播。然而，他们的方法导致高延迟，并且不显式支持针对每条消息的欺骗防御或可解释性，因为它没有提供关于为什么一条消息被标记为恶意的可操作见解。最近在自我监督学习方面的努力，如Liu和Papadimitratos[23]的工作，提出了异常感知的联邦GNSS欺骗检测。这种方法通过自动生成的标签提高了对进化欺骗攻击的韧性，但仍然缺乏可解释的输出和实时信任决策框架。
最近的努力还探索了量子韧性和基于BC的安全通信框架，用于CAVs。例如，Aslam等人[8]提出了一个基于BC的架构，整合了PQC来保护车辆消息交换免受量子攻击者的侵害。同样，Castiglione和Elia[9]展示了使用CRYSTALS-Kyber（一种NIST标准化的PQC原语）来保护车辆控制器局域网（CAN）通信的可行性，从而增强了车辆系统对量子攻击的韧性。此外，Reddy等人[10]引入了一个量子安全的BC框架（QuantumShield-BC），结合了PQC、QKD和拜占庭共识来增强车辆通信网络中的信任。Nsour[24]的补充工作提出了一个轻量级的车载PQC模型，用于自动驾驶车辆，验证了量子韧性密码学在CAV平台中的实际部署。这些贡献表明，基于PQC的BC系统正成为下一代安全V2X通信的关键推动者。

另一方面，在AIoT驱动的DT和轨迹规划领域，Mohd Aslam等人[11]开发了一个AIoT驱动的DT框架，用于CAVs，利用深度强化学习（DRL）在动态交通条件下优化实时轨迹规划。Babaei等人[12]进一步扩展了这一愿景，提出了一个数据驱动的DT AI架构，用于自动驾驶车辆，支持基于模拟的共同设计和决策优化。此外，Li等人[13]调查了强化学习方法在运动规划中的应用，提供了关于DRL在自适应和安全车辆导航中整合的见解。Kabir等人[25]还进行了关于车辆原型设计的DT技术的全面调查，强调了AIoT、DRL和数字副本在未来的CAV生态系统中的协同作用。这些工作共同展示了向智能、可解释和基于模拟的框架的转变，这些框架补充了我们提出的基于EQAI的信任模型。

尽管有上述进展，当前的解决方案通常缺乏模型可解释性，难以解释欺骗预测或建立用户/操作员的信任。此外，这些方法无法实时动态评估消息级别的信任，这对于车辆的可行性至关重要。此外，它们对复杂的或对抗性的欺骗策略的鲁棒性有限。最后，以前的方法具有重的计算或通信开销（例如，基于BC的FL），降低了实时可行性，如表I中所捕获的。为了应对这些限制，EQAI框架提供了以下新颖性：
- 量子增强AI：我们结合了量子编码，以增加希尔伯特空间中的特征分离，提高了欺骗检测的准确性，特别是对于高级攻击。
- 可解释的信任评估：我们结合了SHAP和LIME，以实现模型级别的可解释性和分类决策，提供可解释的特征属性。这一见解进一步结合在TAD模块中，以得出实时的、可操作的信任分数。
- 按类性能优化：与封闭盒式ML模型不同，EQAI针对复杂的欺骗类别（例如第三类）进行了优化，实现了在其他类别中具有可接受权衡的统计显著增益。
- 轻量级执行：该模型专为实时执行设计，计算开销和可解释成本适中，适合车载部署。

总体而言，EQAI通过提供一个可信的、可解释的、基于量子的框架，支持车辆网络中安全和上下文感知的通信决策，填补了一个关键空白。通过结合可解释性、鲁棒性和实时推理，EQAI代表了向未来CAV生态系统中可信V2X通信迈出的重要一步。这种量子表示方法利用希尔伯特空间的原理来实现更优越的特征分离，使得即使是微妙的欺骗伪迹也比在经典特征空间中更容易被识别。增强后的向量（x′）随后被传递到可解释的AI（x? AI）模块。该模块结合了量子-经典机器学习模型来执行欺骗分类并生成预测置信度（Pc）。同时，XAI引擎使用解释方法，如SHAP和LIME，来产生解释指标（Ef,Rs）。这些指标详细说明了模型为何以特定方式对消息进行分类，为建立对系统输出的信任提供了必要的透明度。最后，基于信任的决策（TAD）模块整合了分类置信度（Pc）和解释指标（Ef,Rs），计算出车辆消息的动态且可解释的信任分数（T(Mt)）。通过将这个分数与预定义的信任阈值进行比较，TAD模块做出最终的、可审计的信任决策——接受、标记或拒绝消息——从而确保只有经过验证的、可信的信息才会被车辆自动化系统（CAV）采取行动。这种包含三个模块的交互方式不仅提供了无与伦比的欺骗检测能力，还保证了关键任务车辆通信的安全性和可信性。

A. QUEST检测
与经典信息不同，QUEST组件利用量子信息的叠加和纠缠特性来检测由欺骗攻击引起的微妙偏差。QUEST包括（四个）过程来拦截欺骗攻击：1）通过建立通信车辆之间的共享密钥来进行量子密钥分发（QKD）以进行认证；2）使用共享密钥生成量子认证码（QAC）并将其附加到消息中；3）将带有QAC的消息作为量子态序列传输；4）使用共享密钥测量量子态来验证QAC。如果QAC被破坏到不可容忍的阈值以上，消息将被视为可能被欺骗的。
为了评估车辆自动化系统（CAV）中的欺骗通信程度，我们采用了图2中的流程图所总结的程序。

B. 欺骗信号模型
在典型的车辆自动化通信场景中，接收到的GPS信号可以数学表示为
S(t) = AsD(t?τs)x(t?τs)cos(2π(fl+fd)t+?) (1)
其中
S(t) 是接收到的合法信号；
As 是信号幅度；
D(t) 是数字数据比特流；
x(t) 是扩频码；
τs 是码相位延迟；
fl 是载波频率；
fd 是多普勒频移；
? 是载波相位偏移。
在欺骗攻击的情况下，敌手会传输N个伪造信号来模仿合法传输，表示为
Ss(t) = ∑n=1NA′sD′s(t?τ′s)x(t?τ′s)cos(2π(fl+f′d)t+?′) (2)
这些伪造信号旨在模仿合法信号的结构，但在时间、频率和相位上有所不同，这可以通过量子增强的欺骗检测模块检测出来。因此，对于简单的欺骗攻击，As′ > As，这会增加信噪比（C/NO）的值。对于中等程度的欺骗攻击，会出现失真和延迟以及相位锁定的增加，这会影响码相位（τ′）和多普勒（f′d）的同步。最后，对于复杂的欺骗攻击，通过使用正交积累移位相关器（PQP）考虑多个并行通道中的峰值到峰值比率的相关性变化和失真。

C. 可解释的混合AI模块（x? ai）
x? AI模块通过提供欺骗检测决策的透明度来补充量子驱动的QUEST引擎。x? AI模块增强了车辆自动化环境中欺骗检测过程的可解释性。本节描述了如何将经典车辆通信数据编码成量子态，通过VQC处理，并与经典神经网络集成形成混合模型。

D. 数据集表示
数据集是一组标记的特征向量
D = {xi,yi}i=1 (3)
其中xi∈Rn 是表示信号特征的实值向量（例如，CNO、PD和CP），yi∈{0,1,2,3} 表示消息的合法性（合法或欺骗消息类型）。

E. 量子特征编码
为了将经典特征编码成量子态，我们应用了一个参数化的量子电路U?(x′)，它将输入向量x′∈Rn转换为q个量子比特上的量子态。为了简单起见以及与变分电路的兼容性，我们选择q=n，并应用单量子比特旋转编码，然后是哈达玛门（Hadamard gate）。为了将经典输入特征转换为量子态，我们使用
U?(x′) = ?i=1qRz(x′i)H. (4)
这里，Rz(x′i) 使每个量子比特围绕Z轴旋转特征值x′i，注入相位信息。哈达玛门H使量子比特处于叠加态，从而在希尔伯特空间中实现并行处理。这种设计非常适合将连续值的欺骗特征（例如，PD、CP和CNO）编码成量子态。这种组合使得量子电路能够捕捉输入数据的幅度和基于相位的特征，这对于识别欺骗信号中的微妙异常至关重要。

F. 变分量子电路
编码后的量子态通过一个可训练的VQC传递
V(Θ) = VL(θ(L))?V2(θ(2))V1(θ(1)) (5)
每个Vl由纠缠门和带有可训练参数θ(l)的单量子比特旋转以及L层纠缠门组成。

G. QNN输出
输出是通过测量最终状态上的泡利-Z可观测量的期望值获得的
qout(x′;Θ) = ?0|U??(x′)V?(Θ)OV(Θ)U?(x′)|0? (6)
该测量将量子态折叠成一个经典向量以供进一步处理。

H. 经典神经网络和预测
来自量子电路的输出向量z被输入到经典神经网络g(z;W)中以生成最终预测
y^ = g(Process(qout(x′;Θ);W). (7)
这里，Process(?)是一个可选的转换层，W是经典网络的权重。

I. 损失函数和优化
训练基于最小化分类交叉熵
L(y^,y) = ?∑i=1Cyilog(y^i). (8)
参数使用Adam优化器更新
Θ←Θ?α??ΘL,W←W?α??WL. (9)

J. 混合量子-经典电路图
图3可视化了混合EQAI模型管道，突出了量子层和经典层的整合，以实现可解释和值得信赖的欺骗攻击检测。另一方面，图4展示了使用Rz和H编码的四个特征（x1–x4）的量子电路，随后是一个变分块V(Θ)和测量以产生经典输出zi。然后这些输出由经典神经网络处理。

表III展示了所提出的EQAI混合量子模型与其经典MLP对应物的结构和训练参数的比较。采用贝叶斯优化和Adam优化器（学习率α=0.01）在具有噪声梯度的情况下实现更好的模型收敛性，同时具有适当的批量大小和训练周期。虽然经典MLP需要更大的参数空间来达到可比的准确性，但混合八量子比特架构仅用4900个可训练参数就能实现相似或更好的欺骗检测性能，FLOPs更低（约19.5 k），并且延迟和训练开销更低。量子层的整合通过利用叠加和纠缠增强了模型的鲁棒性和非线性特征提取能力，使得模型能够捕捉车辆信号中的微妙时空相关性，这是经典网络经常忽略的——从而提高了对动态车辆网络中复杂欺骗攻击的检测可靠性。这凸显了EQAI在模型大小、FLOPs和增强的非线性特征捕捉方面的效率和鲁棒性优势，对于车辆网络中可靠的欺骗攻击检测而言。

K. CAV通信的TAD模块
在车辆自动化系统中，即时决策关乎安全，仅仅检测到欺骗消息是不够的。因此，EQAI框架包含了一个TAD模块，它执行两项关键任务：1）评估每条到来消息的可信度；2）根据XAI的洞察力触发适当的行动（接受、标记和拒绝）。对于TAD信任计算流程，在消息通过QUEST和可解释的混合AI（x? AI）模块后，TAD模块结合了分类概率、特征属性（SHAP或LIME）和历史发送者声誉来计算一个动态信任分数T∈[0,1]，如下方程所定义：
T = λ1?Pc+λ2?Ef+λ3?Rs (9)
其中Pc是合法类别的softmax输出；Ef是汇总的解释保真度（SHAP与预期良性特征值的吻合度）；Rs是来自历史日志的发送者声誉；λ1、λ2和λ3是基于上下文的可调权重。

关于信任分数T∈[0,1]，如图（9）所定义，因为它在TAD模块中作为基于阈值的分类使用的类似概率的信任指标。T的每个组成部分都被单独标准化到[0,1]（softmax置信度、解释保真度和声誉分数）。此外，我们强制使用λ1+λ2+λ3=1 (11) 确保T是一个有界项的凸组合。因此，T自动保持在[0,1]范围内。因此，这种标准化是根据组件标准化和权重总和的共同效果。

L. TAD决策的时间复杂性
图5中捕捉到的消息信任评估的TAD流程图包括三个主要计算步骤：1）计算分类置信度（Pc）；2）使用SHAP/LIME输出聚合解释因素（Ef）；3）从历史日志中检索发送者声誉分数（Rs）。由于总体信任分数表示为
T = λ1Pc+λ2Ef+λ3Rs (12) 其中λ1、λ2和λ3是可调权重参数。因此，TAD决策过程的时间复杂性可以表示为：因此，TAD决策过程在特征数量和类别数量上是线性时间运行的，即O(n+m)，这在计算上较为轻量级，适合实时CAV部署。图5中的流程图展示了TAD在评估和传达CAV消息的合法性或其他方面的实时决策过程。例如，在高速公路上的V2V场景中，车辆A收到车辆B发送的路由更新，建议通过一条不熟悉的道路绕行。该消息通过EQAI系统，其中QUEST层识别出与合法GPS参数之间的弱相关性。然后，x? AI使用SHAP算法突出了多普勒频移和载噪比（C/N0）降低的影响，这通常是信号级欺骗的典型特征。如果计算出的信任分数T=0.36，并且假设有τr=0.4，系统将立即拒绝该消息并保持当前的可信任路线。同时会记录一条警报：“检测到欺骗风险。来源：车辆B。消息被丢弃。”通过这种机制，TAD框架确保了决策路径的可解释性和可追溯性。此外，它还允许对低信任度消息采取主动响应（拒绝或隔离），并基于威胁等级和交通环境支持动态策略执行。因此，TAD模块将原始的欺骗检测转化为可操作的洞察，增强了自动驾驶车辆网络对抗欺骗信息传播的韧性。

M. 实验设置、数据集描述和性能分析
提出的EQAI模型与传统的MLP及其他模型在两个不同的数据集上进行了性能验证：IEEE DataPort [26]中的自动驾驶车辆GPS欺骗检测数据集和CICIoV2024数据集[27]。GPS欺骗数据集包含了在合法和欺骗信号条件下收集的标记车辆GPS数据，用于支持和评估自动驾驶和联网车辆系统的智能检测模型。这些数据包含了多种信号和位置参数——如纬度、经度、海拔、卫星数量和信噪比——提供了真实和对抗性导航行为的全面表示。该数据集包含158,170个样本，13个特征，其中55%为合法样本，45%为欺骗攻击；分为简单（1）、中等（2）和复杂（3）三种类型。另一方面，CICIoV2024数据集[27]作为评估车载环境中的入侵和异常检测模型的综合性基准。该数据集旨在模拟真实的车载通信场景，涵盖了多种车载协议下的良性及恶意网络流量，特别是CAN-BUS协议（见图6）。它提供了代表多种攻击类型的标记实例，包括GPS欺骗、拒绝服务（DoS）、中间人攻击（MitM）和重放攻击，从而能够全面评估模型在对抗条件下的泛化能力和韧性。CICIoV2024数据集总共有约1,408,219个样本，其中1,223,737个为良性样本，184,482个为攻击样本，包含11个特征。具体来说，它包含了四种欺骗攻击类型（油门、方向盘（SW）、速度、转速（rpm）和DoS攻击（见图6）。其结构支持有效的量子增强学习，能够准确且可解释地识别微妙的信号级异常，确保了智能车辆通信系统中GPS欺骗检测的可靠性。

这些数据集为提出的EQAI混合模型提供了基础的训练语料库。其结构化的标记和多样的欺骗场景使其特别适用于评估量子-经典模型在车辆网络中区分合法和伪造GPS信号的能力。此外，数据集的现实相关性使EQAI框架能够捕捉到欺骗攻击所固有的细微统计和空间变化，从而增强了自动驾驶导航系统在对抗性定位威胁下的鲁棒性、可解释性和可信度。

我们在Python中使用PennyLane和PyTorch框架实现了所有模型。传统的MLP模型配置了两个隐藏层和ReLU激活函数。EQAI模型采用了混合量子-经典结构，使用了四个量子比特和三个变分量子层。两种模型都在80-20的训练-测试分割上进行训练，并使用五折交叉验证。每个结果都包含了跨折次的平均值和标准差。提出的模型基于预测效率、可靠性、计算复杂性和通信开销等相关指标进行了评估，以确定其服务质量（QoS）的影响。

第四节 结果讨论和性能评估
本节全面分析了EQAI框架及其各功能组件和比较模型的性能。第三节M部分探讨了车辆消息验证的实验设置和数据集预处理流程。第四节A部分评估了传统和混合配置下的分类准确率、F1分数以及接收者操作特征曲线下的面积（AUC-ROC），突出了EQAIβ2在欺骗检测方面的优越能力。第四节B部分详细介绍了SHAP驱动推理引擎提供的可解释性和信任解释。第四节E部分分析了时空复杂性和通信开销，展示了EQAI在计算效率和可扩展性方面的量子优势。第四节D2部分讨论了具有信任意识的决策（TAD）模块，强调了其低延迟和适应性信任计算能力，适用于实时车辆决策。最后，第四节G部分对提出的EQAI模型与欺骗检测方法进行了详细的性能评估。总体而言，这些评估证实了减少量子比特数的EQAI模型在性能、可解释性和部署可行性之间实现了平衡。

A. 安全V2V–V2X通信中对抗复杂欺骗攻击的模型性能
表IV展示了提出的模型（EQAI）和现有技术模型（SOTA）在GPS欺骗检测数据集[26]上的性能。表IV中的性能指标表明，EQAI模型在检测车辆网络中的欺骗攻击方面比传统和最先进的AI模型具有显著优势。详细的指标对比如下：

首先，在准确性（Acc）方面，EQAI的准确率高达92.34%，在某些配置下甚至略微超过了传统的MLP和XGBoost。虽然RF的准确率更高，但EQAI通过在高准确性与可解释性和跨所有攻击类型的稳健性能之间取得了平衡。其次，在精确度（Pr）、召回率（Rc）和F1分数（F1）方面，EQAI模型在合法和攻击场景下始终保持了高精确度、召回率和F1分数（均在90%以上）。值得注意的是，在更具挑战性的攻击类型（中等和复杂）中，EQAI的表现优于MLP、支持向量机（SVM）、逻辑回归（LR）甚至XGBoost，许多传统模型在这些场景中的检测能力显著下降。这突显了EQAI在联网自动驾驶车辆（CAV）环境中的实时安全性有效性。

第三，在预测误差（均方误差（mse）方面，EQAI实现了较低的损失值，与表现最好的传统模型相当。例如，EQAIβ的mse为0.2544，表明模型收敛性和预测质量可靠。第四，在假阳性率（FAR）和漏检率（MDs）方面，EQAI的一个关键优势是其显著降低了FAR和MDs，尤其是在更复杂的欺骗攻击（第2类和第3类）中。简单模型如LR和SVM的MDs很高（每类高达1.0），而EQAI的MDs非常低（例如，在EQAIβ中第2类攻击的MDs仅为0.0368）。这对于安全性至关重要，因为在复杂的攻击场景中，假阴性可能导致灾难性的车辆事件。

最后，为了验证提出模型的可靠性AUC-ROC，EQAI在所有类别上均获得了非常高的AUC-ROC分数（对于复杂攻击高达99.74），接近或超过了传统基准。这反映了EQAI在区分合法和伪造GPS信号方面的卓越区分能力，特别是在高级和难以检测的攻击中。

基于表V的比较分析，EQAI模型在所有相关指标上都表现出色，尤其是在攻击复杂性增加时（第3类）。EQAI在F1分数、召回率和精确度方面优于其他模型，对于第3类高级攻击，其F1分数为82.1%，AUC-ROC为0.845，而MLP的F1分数降至74.3%，AUC-ROC为0.782。随着攻击复杂性的增加，传统模型如LR和SVM的表现明显较差。EQAI还保持了较低的FAR和MDs，如图7所示。因此，EQAI保证了复杂欺骗攻击的检测能力。尽管MLP在简单攻击和合法消息的平均准确率上略微优于EQAI，但在更复杂的攻击类型中，EQAI具有更高的准确率、韧性得分和可信度，这对于V2V/V2X安全场景更为关键。EQAI还提供了可解释性特征（SHAP/LIME）和信任评估，这是传统模型所不具备的。因此，验证了其鲁棒性。最后，EQAI针对车载部署进行了优化，确保了在安全关键操作期间的轻量计算和最小化通信开销。这证明了EQAI在车辆场景中的高效性和实时适用性。

表V基于测试数据的消融研究展示了EQAI和MLP在所有欺骗类别上的ROC曲线。EQAI在第3类（复杂欺骗）检测中显著优于MLP。

表V中的数值捕捉了EQAI与MLP和RF模型在第3类（复杂攻击）检测中的关键指标。总体而言，表IV的结果表明，EQAI在实际的V2V/V2X安全场景中表现优异。与传统的SOTA AI（包括RF、XGBoost、SVM和MLP）相比，EQAI提供了更高的检测性能，特别是在中等和复杂欺骗攻击（第2类和第3类）方面。此外，它还保证了更低的误报率和漏检率，提高了操作安全性。它在安全关键情况下具有可比或更好的精确度和召回率。它提供了强大的泛化能力（高AUC-ROC），支持早期和准确的欺骗防御。此外，EQAI在提供实时可解释性的同时，还实现了可信的自动驾驶车辆通信决策。这些结果共同支持EQAI作为现代联网车辆网络中安全和可靠V2V–V2X通信的首选解决方案。

结论：随着攻击复杂性的增加，EQAI作为检测车辆网络中欺骗攻击的最强大和最可靠的模型脱颖而出，在关键指标（F1分数、召回率、精确度、AUC-ROC、FAR、MDs和可解释性）上表现出色，尤其是在复杂攻击方面。

B. 为了验证和优化提出的量子增强智能（EQAI）在安全V2V–V2X通信中对抗复杂欺骗攻击的性能，我们对混合模型中的量子比特数从8个减少到2个进行了消融研究。我们将结果与表IV中的传统MLP和表现最好的ML分类器RF模型进行了比较。表V基于GPS欺骗检测数据集[26]的消融研究展示了EQAI的比较性能。EQAIβ2实现了最高的整体准确率（92.85%），略高于MLP（92.75%）和EQAIβ3（92.25%）。然而，EQAI变体之间的准确率差距非常小（<1%），表明减少量子比特数（从8个到2个）并不会显著降低性能，但提高了效率。此外，使用两个量子比特的提案模型（eqaiβ2）在精确度（91.93%）、灵敏度/召回率（92.18%）和F1分数（91.59%）方面表现出最佳平衡，优于其他变体EQAIβ3、EQAIβ4和EQAIα。这表明使用两个量子比特在检测鲁棒性和计算成本之间提供了最佳平衡。与传统的MLP相比，EQAIβ2在所有欺骗类别中的F1分数更为稳定，尤其是在中等（第2类）和复杂（第3类）攻击中。

此外，EQAIβ2在所有混合变体中实现了最低的损失（0.2690），确认了良好的模型收敛性和最小的预测误差。尽管MLP的表现也较好（0.2267），但EQAIβ2的略微较高的mse通过更好地泛化复杂欺骗模式得到了补偿。随着攻击复杂性的增加（从中等（第2类）到复杂（第3类），EQAI模型显示出了更低的FAR和MD值，反映了更强的对抗噪声的鲁棒性。具体来说，EQAIβ2和β3保持了FAR ≤0.026和MD ≤0.477——这是所有模型中最低的组合。所有EQAI变体都表现出很高的区分能力，其中EQAIβ3获得了最高的AUC-ROC（≈0.992），表明其在区分合法和伪造消息方面的可靠性更强。最后，RF训练速度最快，但在复杂攻击上的表现不稳定。在EQAI模型中，EQAIβ2的训练时间最短（约11.739秒），并且具有最佳的性价比，证实了较少的量子比特数仍然可以带来强大的量子优势。

图8从内存需求、计算成本、参数效率和量子优势分析的角度，展示了提出的EQAI在检测和预防车辆通信中的GPS欺骗攻击方面的效率和可靠性。如图8(a)所示，随着量子比特数的减少（从EQAIα=8减少到EQAIβ2=2），参数数量和可训练权重的数量显著减少。这意味着更少的量子比特意味着模型更轻量级，过度参数化的程度也降低了，同时保持了相当的准确性。尽管RF和MLP的参数数量比大量子比特数的EQAI变体少，但它们缺乏量子表示能力。因此，EQAIβ2实现了最佳的参数效率，表明可以通过少量量子比特实现有意义的量子编码，而不会牺牲性能。图8(b)显示，由于量子电路深度的原因，计算成本（以FLOPs或每次推理的操作次数计）随着量子比特数的增加而增加。EQAIα具有最高的计算成本，而EQAIβ2的成本则低得多，更接近MLP的基线。这意味着混合量子-经典优化从较少的量子比特数中受益于参数移动效率，即减少了门操作的次数。因此，EQAIβ2提供了最好的成本效益比，使其非常适合实时车辆部署，其中延迟至关重要。图8(b)中的量子优势曲线表明，中等数量的量子比特（β3和β2）实现了最高的量子增益——即每个计算单元的检测准确性更高。EQAIα显示出收益递减的趋势，意味着超过某个阈值后增加量子比特会增加成本但不会提高准确性。适度的纠缠（两到三个量子比特）在希尔伯特空间中提供了最佳的特征表示。因此，EQAIβ2展示了最强的量子优势，能够高效地捕捉复杂的欺骗模式。

在图8(d)中，由于参数移动梯度规则，训练时间随着量子比特数的增加而呈指数级增长。EQAIα（八个量子比特）需要最长的时间（约52000秒），而EQAIβ2（两个量子比特）大约需要11000秒。这意味着减少量子比特数可以线性减少电路评估的次数，从而提高训练的可扩展性。RF和MLP训练速度更快，但鲁棒性较低。因此，EQAIβ2在量子模型中实现了最快的训练速度，并且精度损失最小，证实了其效率和可部署性。此外，图8(e)中的内存需求图表明内存使用情况呈类似趋势：EQAIα2> EQAIβ4> EQAIβ3> EQAIβ2。EQAIβ2仅消耗EQAIα2内存的一小部分，且不到MLP 3.1 MB内存占用的一半。这表明减少量子层和量子比特数可以降低参数存储和运行时内存需求。因此，EQAIβ2确保了低功耗和更快的推理速度，这对于嵌入式车载通信（CAV）系统至关重要。最后，图8(f)中的雷达/效率图结合了所有先前的指标（准确性、鲁棒性、成本、时间和内存），显示EQAIβ2在综合效率方面得分最高，其次是EQAIβ3，而EQAIα和经典基线则落后。这证实了EQAIβ2模型在性能、可解释性和硬件可行性之间达到了最佳平衡——在有限的机载资源下最大化了可靠性。

从前面的结果分析来看，增加量子比特最初会增强特征表示能力，但很快就会导致收益递减。EQAIβ2（两个量子比特）的配置达到了最佳平衡点——在最小的计算开销下提供了高检测准确性和鲁棒性。与经典的MLP和RF相比，特别是EQAIβ2，在欺骗攻击的复杂性增加时，提供了量子增强的韧性、可解释性和实时效率。因此，图8(a)–(f)直观地强化了所提出的模型（两个量子比特的EQAIβ2）是防御车辆通信网络中复杂GPS欺骗攻击时最高效、最稳健且最适合部署的模型。

总体而言，EQAIβ2模型（两个量子比特）在消融研究中作为最佳配置脱颖而出，其在所有欺骗类别中都保持了一致的高精度、召回率和F1分数；对于中等和复杂的攻击，具有最低的误报率/漏报率（FAR/MD）；具有有竞争力的AUC-ROC分数；并且训练复杂性和开销显著降低。虽然MLP在均方误差（mse）上略低，但随着欺骗复杂性的增加，它未能保持鲁棒性（尤其是对于第3类攻击）。相比之下，EQAIβ2保持了稳定且可解释的检测性能——这对于实时、可靠的车辆通信至关重要。因此，EQAIβ2模型为检测车辆网络中的GPS欺骗攻击提供了最佳的总体性能，特别是在攻击复杂性增加的情况下。它的混合量子-经典设计在准确性、鲁棒性和效率之间取得了平衡，使其成为在复杂对抗条件下（无论是零日攻击还是复杂的信号级欺骗攻击）安全车对车/车对物（V2V/V2X）通信中最可靠的模型。

为了测试所提模型在安全和可信车辆通信中的部署可能性和实用性，我们进一步将该模型应用于CICIoV2024数据集中常见的特定欺骗攻击类型。这些V2V/V2X欺骗攻击包括方向盘欺骗、GAS（全球定位系统欺骗）、RPM（转速欺骗）和速度欺骗。表VI详细记录了所提模型在保障安全CAN-BUS车辆协议通信方面的预测能力和可靠性表现。通过对所提模型进行消融研究，确定了资源友好的最佳量子启发智能框架，适用于V2V–V2X场景。

表VI基于CICIoV2024数据集的消融研究，比较了所提模型变体α、β4、β3、β2和β1与基线MLP模型在车辆通信中的两种网络攻击（欺骗SPOF和DoS）下的性能。评估重点关注准确性、精度、召回率、F1分数、mse、FAR、MD和AUC-ROC。

首先，在欺骗检测方面，所有混合EQAI变体（α–β3）的准确率约为6.9%，显著高于经典MLP（57.99%）和EQAIβ1（54.10%）。这证明了量子特征编码在区分合法信号和欺骗信号方面的优势。其中，EQAIβ3的AUC-ROC值略高，证实了它在特征表达性和模型稳定性之间的平衡。其次，在DoS检测方面，MLP的原始准确率略高（82.47%），而EQAI变体的准确率为约75.5%。然而，EQAI模型保持了更高的召回率（80.8%），这对于在关键任务车辆环境中检测所有可能的威胁非常重要，从而最小化了漏报。第三，EQAI模型的mse损失显著低于MLP的42.00，表明其在噪声车辆通信数据下的模型收敛性和预测稳定性更优秀。此外，在FAR和MD方面，EQAIβ3和EQAIβ4在DoS攻击中没有出现误报和漏报，表明其在区分良性流量和攻击流量方面的可靠性非常好。相比之下，MLP模型的FAR为0.4344，MD为0.3246，显示出其对对抗不确定性的脆弱性。最后，在区分能力方面，EQAIβ3获得了最高的AUC-ROC分数0.5525，优于EQAIβ4（0.5354）、EQAIα（0.4298）和MLP（0.2668）。

如图7所示，EQAIβ3（三个量子比特）模型在所有指标上均表现出最佳的整体性能。它在欺骗和DoS攻击方面平衡了准确性、召回率和F1分数，同时实现了最高的AUC-ROC，并且在DoS检测中保持了零误报。与经典MLP相比，EQAIβ3对噪声具有更好的鲁棒性、更低的错误率和更高的可解释性（通过SHAP/LIME），使其成为实时车辆安全最可靠和值得信赖的模型。总体而言，从表VI和表VII的结果来看，消融研究证实量子增强型的EQAI模型在欺骗检测的准确性和鲁棒性方面优于经典MLP。

此外，EQAIβ3在检测欺骗和DoS攻击方面提供了最佳的准确性、召回率和AUC-ROC平衡。尽管MLP在简单的DoS流量上表现稍好，但在复杂的欺骗条件下缺乏泛化能力。因此，EQAIβ3为车辆通信提供了最可靠和最可解释的防御机制，确保了对GPS欺骗和DoS攻击的抵抗力，如图10的热图所示。

为了评估所提模型在安全和可信车辆通信中的部署可能性和实用性，我们进一步将该模型应用于CICIoV2024数据集中包含的车辆通信中常见的特定欺骗攻击类型。这些V2V/V2X欺骗攻击包括方向盘欺骗、GAS（全球定位系统欺骗）、RPM（转速欺骗）和速度欺骗。表VI总结了所提模型在保障安全CAN-BUS车辆协议通信方面的详细预测能力和可靠性表现。总体而言，SHAP分析证实了 reduced-qubit EQAI 仍然保持了良好的全局可解释性，使得模型推理与可测量的物理参数保持一致。结合 LIME 的局部解释能力，这种双重可解释性验证了该模型不仅具有高预测准确性，还能在实时的 V2X–V2I 通信中提供透明且可信的消息验证。通过整合这两种解释技术，reduced-qubit EQAIβ2 模型在保持高性能（准确率为 92.85%，F1 分数为 91.59%）的同时，还实现了最小的均方误差（0.269）以及在所有欺骗类别中较低的误报率/误检测率。这些指标证实了所提出的 reduced-qubit 架构在特征表示方面实现了量子优势，同时保持了嵌入式车辆系统的计算可行性。LIME 和 SHAP 的协同作用进一步证明了模型的可解释性信任评估机制——使智能驾驶汽车（CAVs）能够做出知情、可解释且低延迟的通信决策。

在真实的车辆通信条件下，为了评估模型的可解释性和消息合法性推断，使用 CICIoV2024 数据集对 reduced-qubit EQAI 混合模型进行了分析，研究了不同类型的欺骗攻击。图 11(c) 和 (d) 中显示的两量子比特（β2）和三量子比特（β2）模型的 LIME 输出提供了关于影响欺骗与合法消息分类特征的关键见解。对于 EQAIβ2 模型，诸如 DATA_713（≤?0.54, + 0.0114）、ID6（≤?0.45, + 0.0114）和 DATA_712（≤?0.58, + 0.0090）等特征对识别合法消息有积极贡献，而 DATA_611（≤?0.70, ?0.0077）和 DATA_39（≤?0.49, ?0.0071）则表明了欺骗通信模式。这些解释显示，两量子比特模型捕获了一些数据包级别的信号变化，但表现出较低的归因多样性和较弱的决策对比度。相比之下，EQAIβ3 模型展示了更丰富的特征交互和更稳定的决策边界。DATA_310（≤?0.59, + 0.0071）、DATA_710（≤?0.59, + 0.0039）和 DATA_214（∈[?0.67,1.49], + 0.0039）等特征强烈支持合法分类，而 DATA_610（≤?0.65, ?0.0059）和 ID9（>?0.39, ?0.0042）则一致地标记了欺骗倾向。增强的归因粒度表明额外的量子比特提高了特征纠缠度并增加了局部决策的忠实度。总体而言，三量子比特 EQAI 模型在可解释性一致性、信号区分能力和欺骗检测一致性方面优于两量子比特模型，证实了增加少量量子比特能够增强混合模型对车辆消息合法性的信任评估能力。这一观察结果与图 8 中的量子优势趋势一致，其中适度的量子比特扩展（三个量子比特）在计算效率、可解释性和实时车辆网络安全的鲁棒性之间实现了最佳平衡。

在 V2V、V2X 和 V2I 通信中，通信开销指的是管理、维护或保护通信所需的额外数据、时间或资源成本——超出了实际有用的消息内容（例如交通警报、GPS 坐标和碰撞警告）。EQAI 框架在车辆通信网络中的欺诈检测方面展示了计算复杂性和量子优势之间的平衡。基于 comprehensive_qubit_analysis 和模型的时空复杂性结果（如图 12 所示），混合量子-经典模型在内存和时间复杂性方面与基线经典模型相比表现出一致的缩放行为。

就复杂性评估而言，对于批量大小 B、输入维度 d、量子比特数量 q 和总门数 G，EQAI 混合模型的计算复杂性可以表示为：\[T_{\text{hybrid}} = {\mathcal{O}}\left(B \times \left(d + 2^{q} \times G\right)\right)\]，而经典 MLP 模型的计算复杂性表示为：\[T_{\text{classical}} = {\mathcal{O}}\left(B \times \left(d \times L\right)\]。随着 q 的增大，2q 的影响变得显著，量子层引入了与量子比特数量相关的指数级缩放；然而，在 reduced-qubit 模型中这种情况得到了缓解。从实验结果来看，八量子比特的基线混合模型每个样本需要大约 1.95×10^4 FLOPs，而四量子比特的混合模型只需要大约 1.58×10^3 FLOPs——代表了 12.3 倍的计算负载减少，与理论缩放因子 2^(8-4)=16 非常接近。此外，在空间复杂性和效率方面，可训练参数的数量从 10^4（经典模型）增加到 1100（四量子比特混合模型）和 1220（八量子比特混合模型），相应的内存占用分别为 0.0040、0.0042 和 0.0047 MB。因此，空间复杂性保持线性：\[S = {\mathcal{O}(p)\]，其中 p 是模型参数的数量。Reduced-qubit EQAI 在保持接近经典模型的内存需求的同时，通过希尔伯特空间中的量子编码实现了更丰富的特征表示。

Reduced-qubit 混合（EQAIβ2）模型在准确性（92.85%）和 F1 分数（91.59%）方面表现优异，且训练时间（11?739 秒）显著低于八量子比特模型（52?348 秒），反映了其卓越的可扩展性。量子比特数量的减少从而提高了推理效率，而不影响检测的鲁棒性。这证明了在降低维度下的量子优势原理，即有限的纠缠度足以捕捉对欺骗检测至关重要的非线性相关性。实际上，在 V2V/V2X 场景中，EQAI 的混合推理通过量子编码最小化了特征冗余，从而减少了车辆间消息的大小。每笔交易的通信开销减少到约 0.003 MB，这与基于 BC 或 FL 的框架相比可以忽略不计。因此，Reduced-qubit EQAI 实现了更快的共识和更低的带宽利用率——这对于对延迟敏感的车辆操作至关重要。总之，如图 12 中的图表所示，Reduced-qubit EQAI 模型的计算成本比基线混合模型低 12 倍；接近经典的空间效率，额外内存占用不到 5%；线性时间的信任评估 O(n+m) 用于消息验证；通信开销降低（<3 kb/消息）；并且保持了高欺骗检测准确性。因此，eqaiβ2 提供了一个实际的量子优势——结合了鲁棒性、可解释性和低通信延迟——使其成为智能交通系统中安全车辆消息合法性评估的ready-to-deploy 解决方案。

EQAI 框架通过平衡量子特征表示、XAI 推理和信任感知决策的集成，在可信赖的车辆通信方面展示了显著的优势。最近从时空复杂性和通信开销分析得出的结果证实了 EQAI 在计算效率和实时信任评估方面的优越性。从表 X 和 XI 的比较评估中可以看出，Reduced-qubit 混合模型（EQAIβ2）是最佳配置，它结合了强大的检测准确性和最低的计算和通信成本。具体来说，EQAIβ2 实现了 92.85% 的准确率、91.59% 的 F1 分数和 0.269 的均方误差，其性能超过了基线八量子比特模型（EQAIα）和经典 MLP，在抵抗复杂欺骗攻击方面的鲁棒性上表现更佳。尽管只使用了两个量子比特，该模型仍然保持了高 AUC-ROC（0.994），并且每次推理的 FLOPs 和内存占用显著减少（1.58×10^3 和 0.0042 MB）。这表示与八量子比特基线相比，计算成本降低了 12.3 倍，同时实现了接近经典的空间效率。

此外，与 EQAI 的信任推理和信任感知决策（TAD）流程相关的通信开销保持在每条消息不到 0.003 MB——证明了适用于实时 V2V/V2X 环境的轻量级信息交换。TAD 模块以线性时间 O(n+m) 运行，其中 n 和 m 分别是欺骗类别和解释特征，使得基于 EQAI 推理层的真实消息反馈能够快速计算动态信任分数 T=λ1Pc+λ2Ef+λ3Rs。这确保了基于 EQAI 推理的快速可靠的车辆决策。因此，混合量子架构提供了可量化的量子优势——实现了高效的消息验证、低通信延迟和可解释的信任估计——这些都是智能交通系统中实际部署所必需的。总之，EQAIβ2 模型在检测准确性、可解释性、计算可扩展性和低通信开销之间提供了最实用的平衡，为安全、可解释和可信的车辆决策提供了 ready-to-deploy 的混合量子智能架构。如图 13 所示，EQAI 框架在检测准确性、鲁棒性和可解释性方面提供了显著的优势。尽管简化的 MLP 模型在检测简单欺骗攻击时具有更高的准确性，但 EQAI 在预测中级和复杂欺骗攻击方面表现更好，特别是对于 V2X，尤其是在关键的移动性应用中。因此，EQAI 在安全性和可信性方面的好处证明了这种权衡在安全关键的车辆通信中的合理性。

表 XII 提出了所提出的 EQAI 框架与现有最先进欺骗检测方法的比较分析。传统的加密方案，如 [3] 和 NMA [19]（例如 TESLA 或 Galileo L1-SAIF），虽然提供了真实性，但依赖于 GNSS 基础设施的支持，并且不适应高级欺骗者。合理性阈值方法 [20] 轻量且可解释，但没有利用任何机器学习，并且限于启发式界限。新兴的方案，如带有差分隐私的 FL [5] 和 BC协助的 FL [22]，提高了隐私和网络弹性，但引入了显著的通信延迟，缺乏可解释性，并且没有专门关注欺骗特征。最近的自我监督联邦 LSTM 模型 [23] 在保护隐私的同时提供了更强的欺骗信号检测能力，但仍缺乏模型可解释性和基于信任的决策。相比之下，所提出的 EQAI 框架提供了平衡的折中方案：1) 在复杂欺骗（第 3 类）情况下实现了强大的检测性能；2) 通过 SHAP/LIME 实现了高级可解释性，允许事后分析和可操作的信任分数；3) 使用 TAD 模块实现了实时决策，基于动态信任阈值进行消息接受、拒绝或标记；4) 保持了适合嵌入式车辆环境的适度开销。EQAI 模型在准确性（92.85%）、延迟（27 ms）和 FLOPs（约 19.5 k）方面实现了卓越的权衡，同时通过 SHAP 和 LIME 保持了可解释的决策。通过结合量子-经典学习和信任感知推理，EQAI 展示了改进的鲁棒性（第 3 类 F1 分数为 82.1%）和降低的能量和通信开销，使其成为下一代 IoV 和 CAV 的轻量级、可解释和高性能的安全解决方案。这些特性使 EQAI 成为在安全关键的 V2X 系统中具有独特且先进的解决方案，结合了量子增强的鲁棒性、可解释的决策逻辑和实用的部署能力。总之，EQAI（特别是使用较少量子比特数的简化版本）是处理复杂攻击场景的最佳解决方案，平衡了检测准确性、鲁棒性和可信性。它在关键指标上提供了最佳性能，同时保持了高可解释性和操作效率。对于简单攻击，MLP 可能在准确性上略胜一筹，但对于安全关键的先进威胁，EQAI 是更优的选择。

结论：本研究提出了一个可解释的量子人工智能（EQAI）框架，用于安全可靠的车辆通信。所提出的架构结合了混合量子-经典模型和基于 SHAP 与 LIME 的可解释性，以实现消息验证和欺骗检测期间的可解释信任推理。通过利用变分电路实现量子特征嵌入，EQAI在保持轻量级设计的同时（仅约4900个可训练参数和约19.5千次浮点运算次数FLOPs），增强了非线性特征区分能力和系统的鲁棒性，确保了其在边缘设备上的实时推理可行性。使用GPS欺骗和CICIoV2024数据集进行的全面实验验证表明，EQAI的检测准确率达到92.85%，F1分数为82.1%，误报率（FAR）低于0.026%，优于现有的基于机器学习（ML）、基于 bounds checking（BC）和基于联邦学习（FL）的同类方法。此外，采用较少量子比特的变体（三量子比特EQAI）相较于二量子比特配置，在效率和稳定性方面都有所提升，这验证了量子纠缠在安全关键的智能交通（IoV）应用中的可扩展性。通过LIME和SHAP进行的可解释性分析凸显了EQAI在揭示特征层面对决策结果影响方面的解释能力，从而提升了系统的透明度和可信度。该系统保持了适度的计算开销，支持在车载设备上执行，并最大限度地减少了通信负担，满足了实时车辆到车辆（V2X）操作的实际需求。未来的工作将专注于使用嵌入式量子模拟器和轻量级处理器（如Raspberry Pi和LoRa无线电）在真实车载系统中部署EQAI。进一步的改进将包括集成多模态传感器融合（例如LiDAR与GNSS）、自适应媒体访问控制（MAC）调度以及通过可解释强化学习实现上下文感知的消息验证。还计划在韩国蔚山市进行实地评估，以评估其在实际交通环境中的性能。EQAI为研究面向自主和联网车辆的、量子增强型、可解释且可靠的人工智能技术奠定了基础。未来的工作还将探索结合量子密码学（PQC）和基于bounded checking的模型编排方法，以构建完全去中心化、具有韧性的、保护用户隐私的量子信任架构，用于下一代智能交通系统。