**SLEVA-AV：一种基于边缘的物联网安全架构，采用多阶段轻量级加密技术用于自动驾驶车辆应用** 作者：Lordwin Cecil Prabhaker Micheal, Xavier Fernando, Mathan Kumar Arumugasamy, Neelamegam Devarasu, Daisy Merina Rathinarajan

《Future Internet》：SLEVA-AV: An Edge-Centric IoT Security Architecture Using Multi-Stage Lightweight Encryption for Autonomous Vehicle Applications Lordwin Cecil Prabhaker Micheal, Xavier Fernando, Mathan Kumar Arumugasamy, Neelamegam Devarasu and Daisy Merina Rathinarajan

　　摘要 自动驾驶车辆（AV）网络需要在严格的延迟和资源限制下进行安全高效的数据处理。本文提出了一种安全、轻量级的以边缘为中心的框架SLEVA-AV，用于支持物联网（IoT）的自动驾驶车辆通信。该框架集成了多模态传感器数据处理、轻量级密钥管理、多阶段加密和完整性验证，形成一个统一的处理流程。通过使用上下文参数，采用密钥派生函数（KDF）生成会话密钥，使得在车辆移动过程中无需重复握手开销即可高效地重新生成密钥。加密过程结合了PRESENT、SPECK和轻量级加密算法（LEA）来增强加密强度，而SHA-256则确保数据的完整性。所提出的系统在基于CARLA的仿真环境中实现，并通过CrypTool 2进行了密码学分析验证。对10,000个样本的性能评估表明，该系统具有低延迟（0.039–0.794秒）、降低的能耗（0.0196–0.0589焦耳）以及可忽略不计的密钥管理开销。与最新的先进方法相比，显示出更好的可扩展性和效率。通过攻击模拟的安全性验证表明，该系统能够抵抗暴力破解、差分攻击、重放攻击和篡改攻击，达到100%的检测准确率。结果表明，所提出的框架在安全性、计算效率和实时性能之间取得了平衡，适用于高移动性和动态边缘连接的IoT环境。

1. 引言和背景研究
自动驾驶车辆正通过提高道路安全、减少交通拥堵以及提供高效的移动服务来改变现代交通方式。它们通过智能交通管理和减少人为驾驶错误来支持智慧城市的发展。自动驾驶车辆还有望降低事故率并提高燃油效率，从而为可持续的交通系统做出贡献。然而，自动驾驶车辆的部署引入了几个技术挑战，包括实时处理大量的多模态传感器数据、在动态环境中的可靠通信以及对安全关键决策的严格延迟限制。物联网（IoT）和车联网（IoV）技术的集成由于异构设备和分布式架构的存在，进一步增加了系统的复杂性[1,2]。
安全性是这类系统的一个关键要求。自动驾驶车辆不断交换敏感数据，包括位置信息、传感器读数和控制信号。任何安全漏洞都可能导致严重的后果，例如错误的决策或系统故障。数据篡改、伪造和中间人攻击等威胁会直接影响车辆的安全性和可靠性[3]。因此，确保安全、高效和可扩展的通信对于实际部署至关重要[4]。全球范围内，自动驾驶车辆的应用仍处于早期阶段。据估计，全自动驾驶车辆的数量不到全球车辆总数的1%，尽管先进的驾驶员辅助系统（ADAS）已经得到更广泛的部署。这种有限的采用主要是由于安全验证、基础设施准备和安全通信方面的挑战。这些因素突显了需要为实时自动驾驶车辆环境量身定制的强大且轻量级的安全框架[5]。

1.1. 相关工作
自动驾驶车辆依赖于LiDAR、RADAR、GPS、IMU、超声波传感器和摄像头等连续的多模态传感器数据，以便在动态环境中安全运行。将IoT与自动驾驶车辆系统集成可以提供智能运输服务，包括协同感知、分布式决策和车辆与一切设备的通信[5]。然而，这种IoT-IoV的融合在严格的延迟和资源限制下引入了重大的安全挑战。边缘计算作为一种关键解决方案，用于实现安全且低延迟的车辆通信。Muthanna等人[6]提出了一种多层边缘计算架构，用于自动驾驶车辆，强调了其在可扩展性和响应时间方面的改进。同样，He等人[5]对IoV的安全挑战进行了全面的调查，而Le等人[7]引入了一个用于连接车辆的动态风险评估框架。这些研究强调了安全通信的重要性，但主要关注系统级分析而非轻量级的数据保护机制。轻量级密码技术在IoT系统中被广泛用于解决资源限制问题。Singh等人[8]分析了轻量级加密算法及其在IoT环境中的应用。Suresh等人[9]对加密方法进行了比较分析，强调了性能与安全之间的权衡。在智能运输系统中，Kwon等人[10]提出了一种安全的广播认证协议，以提高通信可靠性。虽然这些方法增强了安全性，但它们通常会引入额外的计算或通信开销。最近的研究还关注于感知和数据驱动的应用。D’Alfonso等人[11]开发了用于车辆定位的协同定位技术，而Wang等人[12]探索了基于LiDAR的车辆排放评估。尽管这些工作提高了感知精度和环境意识，但它们并未解决车辆网络中的安全数据传输问题。此外，还研究了基于区块链和后量子加密框架等先进的安全机制。例如，Lakhan等人[13]提出了一种基于区块链的同态加密方案，Rahmati等人[14]为边缘网络引入了轻量级的后量子加密方法。然而，这些方法通常会增加计算成本，限制了它们在实时自动驾驶车辆系统中的应用。尽管有这些进展，但大多数现有工作仍然只关注加密、认证或感知等孤立方面。然而，同时解决效率和可扩展性的集成安全框架在IoV环境中仍然有限。

1.2. 动机
车辆环境具有高度动态性。车辆频繁地在边缘节点之间移动，导致通信会话短暂且频繁切换。传统的以云为中心的安全机制引入了高延迟和可扩展性限制[15,16]。同样，传统的基于公钥的密钥管理方案会造成较大的计算开销，使其不适合实时应用。另一个挑战在于传感器数据[17,18]。原始的多模态数据通常是异构且冗余的。直接对这些数据进行加密会增加计算和通信成本。尽管预处理可以提高效率，但其与安全机制的结合仍探索不足。大多数现有方法都是单独评估各个加密算法[19,20]。通过结构多样性结合使用多种加密算法来增强安全性的方法尚未得到充分探索。此外，在车辆移动过程中的可扩展密钥管理仍然是一个关键挑战。这些限制促使开发了一种统一、高效且可扩展的IoT支持自动驾驶车辆的安全框架[21]。

1.3. 本工作的贡献
本文提出了SLEVA-AV，这是一种用于自动驾驶车辆网络的安全且轻量级的以边缘为中心的框架。主要贡献如下：
- 以边缘为中心的安全框架：一种统一的架构，用于在IoT-IoV环境中安全获取、预处理和传输多模态传感器数据。
- 轻量级多阶段加密：一种级联的PRESENT-SPECK-LEA方案，改进了扩散效果并增强了对抗密码分析攻击的能力。
- 可扩展的密钥管理：一种基于KDF的会话密钥机制，能够在车辆移动过程中高效地重新生成密钥，且开销最小。
- 全面评估：使用CARLA和CrypTool 2进行验证，包括在现实条件下的比较分析和攻击模拟。

本文的其余部分组织如下。第2节介绍系统架构和加密模型。第3节解释实现细节。第4节讨论实验结果和性能评估。最后，第5节总结本文并概述未来的工作。

2. 自动驾驶车辆安全数据处理和传输框架的架构
提出的SLEVA-AV框架遵循以边缘为中心的IoT架构。在这个模型中，自动驾驶车辆充当安全的计算边缘节点。车辆在本地执行实时感知、预处理、加密和完整性验证。该架构旨在满足安全关键车辆环境的严格延迟、能源和安全要求（图1）。车辆使用了异构的感知栈，包括LiDAR、RGB摄像头、RADAR、GPS、IMU和超声波传感器[22,23,24]。这些传感器不断生成多模态数据流。这些数据在存储或传输之前必须得到保护[25]。聚合的原始传感器数据可以表示为...这里，N代表感知模式的数量。原始车辆数据通常包含噪声和采样不一致性。异构传感器采样还会导致时间偏斜。因此，首先应用一个边缘预处理操作...这产生了规范化的数据集...这里，执行卡尔曼滤波、规范化和时间戳对齐[15]。这提高了统计一致性，并为轻量级密码处理做了准备（算法1）。

图1. 提出的SLEVA-AV架构。所提出的框架使用基于边缘辅助的哈希消息认证码（HMAC）的KDF（HKDF）来生成安全会话密钥，如图2所示。一个主密钥存储在车辆中。上下文参数包括随机数N、时间戳t和边缘节点身份。这些确保了动态和上下文感知的密钥生成[26]。在提取阶段，计算出一个伪随机密钥...在扩展阶段，会话密钥迭代地为T(0) = ?和...最终密钥分为...用于PRESENT、SPECK和LEA。总密钥长度为336位。HMAC定义为...该方案产生上下文相关的且不可重复使用的密钥，具有低计算开销[27]。

算法1：自动驾驶车辆的安全轻量级加密和验证算法（SLEVA-AV）——加密和验证。
输入：
- 传感器数据流：D_raw = {LIDAR, RADAR, GPS, IMU, Camera, Ultrasonic}
- 主密钥：K_M
- 边缘节点ID：ID_edge
- 随机数：N
- 时间戳：t
输出：
- 加密数据：D_final
- 完整性哈希：H

1. // 传感器数据采集：D_raw ← {d_i}, for i = 1 to N
2. // 数据大小估计：对于每个传感器i：
S_i ← N_i × P_i
End
S_total ← Σ S_i
3. // 预处理（过滤、规范化和同步）：D_pre ← P(D_raw)
// 压缩：S_LIDAR ← 0.5 × S_LIDAR; S_Camera ← 0.7 × S_Camera
4. // 会话密钥生成（可扩展）：
K_session ← KDF(K_M || N || t || ID_edge)
5. // 多阶段加密：
// 第1阶段：PRESENT：
D1 ← PRESENT_Encrypt(D_pre, K_p);
// 第2阶段：SPECK：
D2 ← SPECK_Encrypt(D1, K_s);
// 第3阶段：LEA：
D_final ← LEA_Encrypt(D2, K_l);
6. // 完整性验证：
H ← SHA256(D_final);
7. // 传输：
Send (D_final, H);
8. // 接收端验证：
H_star ← SHA256(D_final);
If H_star == H then
Accept data
Else
Reject data (检测到篡改)
End
9. // 性能评估：
Throughput ← S_total / T_enc; Latency ← T_enc; Energy ← Power × T_enc; Key_Overhead ← T_KDF / T_total; Hash_Overhead ← (32 / S_total) × 100

图2. 基于边缘辅助的密钥管理方案（HMAC-based KDF）。该图展示了RFC 5869中定义的基于HMAC的密钥派生过程。虚线框表示参考/注释；红色阴影框表示哈希操作；橙色框表示派生密钥；蓝色框表示输入/上下文；绿色框表示KDF组件。所选配置轻量级且实用。PRESENT使用64位块大小和80位密钥。SPECK使用128位块大小和128位密钥（Speck128）。LEA使用128位块大小和128位密钥。SHA-256产生256位哈希输出。这些参数在安全性和效率之间提供了平衡。为了在资源限制下确保保密性，使用了级联的轻量级加密方案。第一层安全层应用了PRESENT块加密算法。加密输出由...表示，其中...表示秘密加密密钥。PRESENT提供高效的替换-置换扩散。它适用于嵌入式车辆电子控制单元（ECUs）。然而，需要更强的对抗能力。因此，引入了混合的第二加密阶段。PRESENT的输出同时由SPECK和LEA加密算法处理。这产生了...和...，其中...和...表示独立的会话密钥。

SPECK提供基于快速加法-旋转-XOR（ARX）的扩散，具有非常低的延迟。LEA提供强式的词 orientated 混淆。它适用于软件实现[17]。最终密文通过安全连接获得...这种混合构造增强了结构多样性和对抗密码分析的能力。为了保证数据完整性和真实性，应用了SHA-256哈希函数。完整性标签生成为...在验证过程中，接收方重新计算哈希值。如果发现不匹配，则检测到篡改或传输损坏。这也受益于扩展的有效密钥空间。复合密钥空间表示为?final =...在典型的轻量级配置下，这大大提高了对抗暴力攻击的能力。

级联设计的扩散强度可以使用雪崩效应来衡量：...这个值接近理想的0.5，由于结合了替换-置换网络（SPN）-ARX变换。整体差分概率可以近似为...这表明可利用的密码特性被乘法抑制。SHA-256确保数据完整性和篡改检测。它提供了大约的碰撞抵抗能力和大约的第二原像抵抗能力。因此，在车辆IoT通道中未检测到数据篡改的概率变得极小[18]。这种机制还提供了在边缘切换期间的快速重新密钥生成，避免了昂贵的密钥重新协商。重新密钥生成的开销显著低于加密延迟，即...车辆移动下的系统可扩展性可以表示为...这里，表示车辆速度，表示边缘覆盖半径，表明在实际部署中总体开销保持有限。从系统安全的角度来看，该框架缓解了多种车辆威胁。哈希验证检测中间人攻击。基于时间戳的预处理减少了重放攻击。加密流程的总体计算复杂性保持线性：...这确保了嵌入式边缘平台的实时可行性。完整的处理流程可以表示为...该流程将感知、预处理、加密和完整性验证集成在车辆边缘节点[28]中。系统的可扩展性可以通过边缘覆盖区域内支持的最大车辆数量来量化。设表示边缘节点的处理能力（以每秒操作次数计），表示每辆车的平均计算需求。支持的最大车辆数量由给出。在高流量条件下，系统负载可以表示为，其中表示活动车辆的数量。当→1时，系统接近饱和状态，延迟增加。然而，由于使用了轻量级加密和基于KDF的重新密钥生成，计算复杂度保持为线性O(n)，确保了性能的平滑降级而不是突然的性能损失。这使得所提出的框架在密集车辆场景下具有可扩展性。从实际部署的角度来看，主密钥在车辆注册阶段通过可信机构（TA）提供，例如车辆制造商或认证的基础设施提供商。这种提供可以使用嵌入在车辆中的硬件安全模块（HSM）或可信平台模块（TPM）来安全实现。在运行过程中，边缘节点通过TA管理的信任层次结构进行认证。密钥的传播不需要持续传输；相反，只交换轻量级参数，如随机数、时间戳和边缘身份。这减少了通信开销并防止了密钥暴露。该模型中的信任假设依赖于车辆内部的安全初始化和防篡改存储，而边缘节点被假定为半可信和经过认证的实体。

3. 集成仿真和安全算法实现
实施在配备816 GB RAM的Intel i5系统上运行Ubuntu操作系统（OS）。使用Python 3.13进行协调和分析。车辆数据流使用CARLA Simulator生成。仿真时间步长固定为Δt = 0.1秒。传感器采样率保持在范围内。输入数据大小变化为n ∈ [64,100] kB，以评估可扩展性。如图3所示，仿真环境提供多模态数据，包括车辆遥测、空间映射和传感器融合输出。这种多样化的传感器模态提高了预处理的鲁棒性，并直接影响加密工作负载。考虑了类似金奈条件的高密度、混合交通场景，如图3所示。道路网络基于OpenStreetMap数据生成，并转换为OpenDRIVE格式以便与CARLA集成。每辆车都配备了LiDAR、RGB摄像头、雷达、GPS、IMU和超声传感器，从而能够生成异构多模态数据。原始传感器输出被视为车辆物联网数据，并使用Python脚本在车辆边缘进行处理。数据预处理使用NumPy、Pandas和SciPy库进行，包括噪声过滤、归一化和时间戳同步，以确保跨传感器模态的一致性。安全流程使用CrypTool加密平台[29]实现。PRESENT使用和运行。SPECK和LEA使用和运行。SHA-256产生256位输出。会话密钥使用上下文输入派生。派生密钥长度为L = 336位。它被划分为和。如图4所示，多阶段加密流程转换。明确观察中间输出，确认每个阶段的正确性。SPECK和LEA的并行执行减少了处理延迟并增强了扩散。

图3. 实验设置和数据采集环境：(a) 模拟城市环境中的车辆遥测；(b) 仿真测试台的地理分类；(c) 动态速度和加速度曲线；(d) 相机和LiDAR。图4. 基于CrypTool的所提出多阶段加密流程的实现，显示明文输入、中间加密阶段和最终密文输出。执行时间使用time.perf_counter()测量。加密延迟定义为。观察到的范围是[0.29,0.79]秒。吞吐量计算为，平均约为100 MB/s。结果表明，其扩展性与n接近线性关系。图3有助于验证数据的真实性生成，而图4展示了加密流程的正确性和效率。综合影响表明，数据多样性和流程结构都影响了性能。实现显示了稳定的执行、低延迟和一致的吞吐量。

4. 结果和讨论
本节使用基于CARLA的自动驾驶车辆仿真和CrypTool 2进行加密分析，对所提出的SLEVA-AV框架进行了实验验证。评估重点是在真实车辆物联网条件下的性能效率和安全性鲁棒性。从仿真生成的多模态传感器数据在边缘使用所提出的流程进行处理，并在大规模样本上获得结果，以确保统计可靠性。

4.1. 从预处理到完整性保证的数据减少和加密效率
数据集评估了预处理和加密对数据大小的影响，涵盖20个测试用例。评估中考虑了四个参数。第一个参数是原始总数据，表示任何处理之前的原始传感器数据。第二个参数是预处理后的数据，表示结构优化和去除冗余信息后的数据大小。第三个参数是初次加密后的数据，表示第一次加密阶段后的数据大小。第四个参数是最终加密后的数据，表示应用完整加密流程后的数据大小。如图5所示，预处理在所有测试用例中一致地减少了数据大小。在数据集较大的情况下，减少更为明显。例如，在测试用例722中，原始数据大小为117.84 kB。预处理后，它减少到99.31 kB，减少了大约15.7%。

图5. 不同处理阶段的数据大小分布（以kB为单位）。加密过程只引入了非常小的开销。这可以通过比较预处理后的数据大小和加密后的数据大小来观察。例如，在测试用例509中，预处理后的数据大小为99.37 kB。加密后，大小略微增加到99.40 kB。这表明加密算法在计算上高效，且引入的数据扩展可以忽略不计。在所有测试用例中，初次加密数据与最终加密数据之间的差异非常小。这表明加密行为稳定且可预测。原始数据集较大的测试用例，如测试用例134（96.41 kB）和测试用例698（114.48 kB），在预处理过程中显示出明显的减少。同时，加密开销保持最小。同样，数据集较小的测试用例表现不同。例如测试用例21（39.16 kB）和测试用例1000（62.37 kB）。在这些情况下，预处理导致的减少较小。这是预期的，因为较小的数据集通常包含较少的冗余信息。数据压缩减少了存储需求和传输延迟。这对于安全通信系统尤为重要。加密过程提供了强大的安全性，同时保持了最小的数据大小膨胀。因此，系统性能不受影响。

4.2. 密钥管理方案的评估
评估使用在CARLA中生成的10,000个模拟车辆通信实例，在不同的移动性条件下进行。性能通过延迟、计算成本、通信开销和存储开销（表1）进行分析。结果显示，密钥生成延迟在0.10–0.50毫秒的范围内，与整个系统延迟0.039–0.794秒相比可以忽略不计。这证实了即使在频繁的车辆切换下，重新密钥生成引入的开销也是非常小的。

表1. 密钥管理性能的比较分析。为了验证所提出方法的有效性，与传统密钥管理系统的实际操作数据进行了比较。观察到的验证时间范围从99秒到169秒，而密钥检索和返回时间分别为10–20秒和2.35–4.14分钟。这些延迟是由于手动处理、重复认证和传统系统中的通信开销引起的。相比之下，所提出的基于CARLA的实现消除了手动密钥处理，代之以自动化的基于KDF的重新密钥生成。由于操作轻量级，计算成本显著降低。能量消耗范围为0.0196–0.0589 J，低于传统方法。通信开销很小，因为只传输随机数、时间戳和边缘身份，开销为48–80字节。存储开销约为42字节，因为只维护会话密钥和最小元数据。结果表明，所提出的密钥管理方案在效率和可扩展性方面取得了实质性改进。虽然传统系统表现出秒级和分钟的延迟，但所提出的方法在毫秒内完成密钥生成。这代表了开销的显著减少。可扩展性分析证实，在高移动性条件下，重新密钥生成的成本可以忽略不计。

4.3. 使用256位加密哈希的数据完整性
表2总结了在10,000个模拟车辆数据样本上评估的基于SHA-256的完整性验证机制的性能。哈希大小固定为256位（32字节），与输入大小无关，确保了可预测的开销。对于每个加密数据块，完整性哈希计算为。平均哈希计算时间为，其中n = 10,000。观察到的值为0.89毫秒，最小值为0.72毫秒，最大值为1.05毫秒，表明执行稳定。检测准确性评估为。在这项研究中，=，导致100%的准确性，确认了可靠的篡改检测能力。

表2. 在10,000个样本上的完整性验证性能。哈希引入的通信开销计算为。例如，对于25 KB的数据块，≈0.125%，与观察到的平均值0.125%相符，范围为0.016%到0.32%。通过比较有无哈希的系统性能来评估对吞吐量的影响，表示为ΔT = × 100%，始终低于1%，表明几乎没有降级。总体而言，结果证实SHA-256提供了可靠的完整性验证，同时具有最小的计算和通信开销，使其适用于实时AV系统。

4.4. 数据加密方案的性能分析
使用来自10,000个样本的数据集的10个随机选定测试用例分析了加密系统的性能。结果在表3中呈现。评估了几个性能指标。这些指标包括总原始数据大小、最终加密数据大小、吞吐量、延迟、能源消耗、加密速度和加密时间。总原始数据大小在39.1648 kB（测试用例21）到117.8369 kB（测试用例722）之间变化。相应的预处理后数据大小略小，因为它们去除了冗余信息并进行了规范化。初次加密后的数据大小几乎与预处理后的数据大小相等。这表明加密算法在这个阶段引入的开销很小。最终加密数据大小略有增加。这种增加通常仅限于几kb。主要是由于加密元数据和填充操作。在所有20个测试用例中，系统保持了100 KB/s的一致吞吐量。这表明系统能够在指定时间内高效处理整个数据集。这种一致性的吞吐量也展示了良好的可扩展性。因此，加密框架可以处理不同大小的数据集而不会降低性能。这一特性对于物联网系统和实时安全通信平台等应用非常重要。延迟表示加密过程开始和完成之间的时间延迟。结果显示，延迟随数据大小增加。对于较小的数据集，如测试用例21（39.1648 kB），延迟约为0.039秒。较大的数据集需要稍多的处理时间。然而，观察到的延迟值仍在实时系统的可接受范围内。

表3. 随机选定测试用例的数据加密性能指标。还分析了加密过程的能源消耗。较小数据集的能源消耗范围为0.0196 J，较大数据集的能源消耗范围为0.0589 J。这种增加是预期的，因为较大的数据集需要更多的计算操作。尽管如此，总体能源消耗仍然较低。这表明系统针对能效优化，这对于电池供电的物联网设备非常重要。加密速度在所有测试用例中保持恒定。测量值为125 KB/s。这种一致性表明系统能够高效处理数据，无论数据集大小如何。高加密速度对于需要快速保护大量数据的实时加密应用尤为重要。加密时间表示加密数据集所需的总时间。测量值介于0.2906秒到0.7945秒之间。加密时间与数据量呈线性增长。这一行为证实了系统能够高效地扩展到更大的数据集。即使对于最大的数据集，加密时间仍然适合实时应用。雷达（蜘蛛图）图表展示了所提出的SLEVA-AV以边缘为中心的轻量化加密框架的标准化性能特征。该图表包括吞吐量、延迟、能耗、加密速度和加密时间等关键运营指标（图6）。每个轴代表一个特定的性能指标。这些值是基于多个测试案例的平均值，并进行了标准化以便于视觉比较。图表显示该框架保持了高吞吐量和高加密速度。同时，延迟和能耗保持在较低水平。雷达图形的平衡形状表明系统在计算效率和安全性开销之间取得了良好的平衡。这证实了所提出的多阶段轻量化加密设计适用于支持物联网的实时自动驾驶环境。

4.5. 在多种攻击场景下的安全性评估
该框架的安全性针对多种攻击场景进行了评估，包括暴力破解、差分攻击、已知明文攻击、重放攻击、中间人（MITM）攻击和数据篡改攻击，如图7所示。暴力破解的抵抗力来自于组合的密钥空间。假设攻击者每秒可以尝试一个密钥，那么彻底搜索密钥空间的预期时间约为4.1秒，这证实了实际操作的不可行性。通过级联SPN和ARX结构来缓解差分密码分析。总体差分概率大约为...实验结果显示出约49.6–50.3%的雪崩效应，表明扩散接近理想状态。使用上下文感知的密钥生成机制可以防止重放攻击，任何旧参数的重复使用都会导致密钥不匹配并被拒绝。

图7. 所提出的SLEVA-AV轻量化加密框架的多阶段加密、攻击场景和安全性评估。实线箭头表示处理阶段之间的数据流，虚线箭头表示逻辑或密钥生成关系。蓝色框表示输入和上下文数据，橙色框表示加密模块，绿色框表示验证和评估结果，红色框对应于攻击场景。实线框表示主要处理组件，而虚线框突出显示辅助操作或派生输出。该图展示了从明文到密文的转换，以及对多种攻击模型的抵御能力以及相应的评估结果。同样，通过哈希验证可以检测到中间人攻击和篡改攻击。未检测到篡改的概率受到SHA-256碰撞抗性的限制。从CrypTool 2模拟中获得的实验结果确认所有攻击尝试都失败了，这些结果在表4中进行了统计。系统对重放攻击、中间人攻击和篡改攻击的检测准确率为100%。表4显示平均哈希计算时间为0.89毫秒，通信开销限制在0.125%以内，表明对性能的影响最小。多阶段加密显著增加了加密复杂性，而基于KDF的密钥管理确保了在动态车辆环境中的可扩展性。SHA-256完整性机制保证了可靠的篡改检测，并且开销可以忽略不计。因此，该系统对实际攻击场景具有很强的抵抗力，适用于支持物联网的实时自动驾驶应用。

4.6. 与最新先进方法的比较分析
所提出的SLEVA-AV框架与最近的一些先进研究进行了比较，即He等人（IoV安全架构）[15]、Boubaker等人（轻量化加密性能）[5]和Rahmati等人（基于能源的加密框架）[27]（表5）。比较考虑了安全性覆盖范围、计算效率、能耗、密钥管理开销、可扩展性和实际部署约束等关键方面。为了确保公平比较，所有性能指标都是在可比条件下进行的评估。所提出系统的结果是通过基于CARLA的仿真和CrypTool实现的。He等人、Boubaker等人和Rahmati等人的结果是根据他们发表的文献报告的。应当注意的是，某些结果，特别是Boubaker等人的结果，是使用硬件优化的实现获得的，与基于软件的评估相比可能会实现更低的延迟。因此，在解释结果时明确提到了实验设置中的差异，包括硬件平台和数据集配置。

表5. 带有限制的比较分析
从安全架构的角度来看，He等人提供了对物理层、网络层、应用层和系统层的IoV威胁的全面多层分析。他们的工作突出了关键漏洞，如V2X中断（>200毫秒）、虚假消息注入和数据篡改，并提出了包括区块链认证和基于强化学习的检测在内的缓解策略。然而，他们的方法主要是防御性和以检测为导向的，侧重于系统级保护而非轻量级实时加密。相比之下，所提出的SLEVA-AV框架引入了使用多阶段加密管道结合完整性验证的主动数据级安全。整体安全性确保了对暴力攻击的强大抵抗力。SHA-256机制提供了100%的篡改检测准确率。尽管有这些优势，所提出的框架并未明确结合跨层防御机制，如入侵检测系统、基于区块链的认证或基于强化学习的异常检测，这些在He等人的工作中有所涉及。因此，虽然所提出的工作增强了数据保密性和完整性，但在更广泛的系统层面上的覆盖范围有限。

从计算性能的角度来看，Boubaker等人报告了使用优化硬件实现的轻量化密码的极低执行时间（例如，加密时间约为8.728纳秒）。这些结果显示了异常高的效率，但是在专门的硬件条件下实现的，通常涉及单一算法加密。相比之下，所提出的框架采用了多阶段加密设计（PRESENT → SPECK → LEA）来增强加密强度。这引入了额外的计算开销，加密时间介于0.2906秒到0.7945秒之间。尽管这比硬件优化的实现要高，但对于实时车辆应用来说仍然是可以接受的。所提出方法的一个局限性是它尚未完全针对专用硬件加速（例如场可编程门阵列（FPGA）或专用集成电路（ASIC）进行优化，这可以进一步减少延迟并提高吞吐量。

从能源和密钥管理的角度来看，Rahmati等人显示密钥交换操作消耗的能源最多（约0.82毫焦耳），其次是密钥生成（约0.45毫焦耳），这是由于计算密集型的公钥机制，如Diffie–Hellman。相比之下，所提出的框架采用了基于KDF的轻量化密钥管理方案，消除了昂贵的密钥交换程序的需要。所提出系统的总能耗在0.0196焦耳到0.0589焦耳之间，与加密时间相比，密钥生成开销可以忽略不计。这支持了在边缘环境中的实时部署。然而，一个局限性是该方案依赖于预先共享的主密钥和同步参数，这可能在大规模异构部署中引入挑战。此外，该框架尚未考虑PQC机制，而这些在Rahmati等人的工作中有所探讨。

总体而言，比较分析表明现有工作侧重于孤立的方面，如系统级威胁建模[5]、超快硬件加密[16]或基于能源的加密设计[14]。相比之下，所提出的SLEVA-AV框架提供了一个整体和集成的解决方案，结合了轻量化多阶段加密、高效的密钥管理和以边缘为中心的架构中的完整性验证。该框架在安全性、延迟和能源效率之间取得了平衡。然而，在系统级防御集成、硬件加速、大规模密钥分发和面向未来的加密弹性方面仍存在局限性。这些局限性为未来的工作提供了方向，包括与入侵检测系统的集成、基于FPGA的优化以及后量子安全机制的采用。

5. 结论
本文提出了SLEVA-AV，这是一个用于支持物联网环境的自动驾驶车辆通信的安全且轻量级的以边缘为中心的框架。该框架将预处理、多阶段加密、高效的密钥管理和完整性验证整合到一个统一的架构中。使用基于KDF的会话密钥生成消除了重复的手握手开销，并能够在频繁的车辆切换下实现可扩展操作。所提出的加密设计增强了加密强度。该系统是使用基于CARLA的仿真和CrypTool 2进行验证实现的。实验结果展示了低延迟、降低的能耗和最小的通信开销。尽管有这些优势，但仍存在一些局限性。该框架主要关注数据级安全，并未完全集成系统级防御机制，如入侵检测或基于区块链的认证。当前的实现是面向软件的，需要针对硬件平台（如FPGA）进一步优化。此外，大规模部署可能需要先进的密钥分发策略和同步机制。该框架还未解决PQC威胁，而这些对于未来的安全通信系统越来越重要。

未来的工作将专注于所提出框架的硬件优化。多阶段加密流程将被映射到FPGA和ASIC平台，以减少延迟并提高吞吐量。将探索PRESENT、SPECK和LEA的流水线并行性和硬件级优化，以实现在高车辆负载下的实时性能。此外，还计划集成PQC原语，以确保对量子对手的长期安全性。轻量级基于格子的密钥交换机制，如Kyber，可以替代或补充当前的基于KDF的方案。这将在保持计算效率的同时增强抗韧性。