《Electronics》：Securing the Roads: An Analysis of AI Technologies in the Internet of Vehicles
编辑推荐：
车联网（Internet of Vehicles, IoV）是一项相对较新的技术，能够实现智能、互联的交通网络，但日益容易受到基于网络的攻击（如欺骗（Spoofing）和拒绝服务（Denial-of-Service, DoS））的威胁，这些攻击危及用户安全和系
车联网（Internet of Vehicles, IoV）是一项相对较新的技术，能够实现智能、互联的交通网络，但日益容易受到基于网络的攻击（如欺骗（Spoofing）和拒绝服务（Denial-of-Service, DoS））的威胁，这些攻击危及用户安全和系统完整性。传统的人工智能（Artificial Intelligence, AI）或机器学习（Machine Learning, ML）模型已应用于IoV安全领域，但其灵活性有限且无法处理复杂、不断演变的攻击模式，限制了其在现实IoV场景中的实用性。本研究探讨了人工智能（AI）/机器学习（ML）模型（如长短期记忆网络（Long Short-Term Memory, LSTM）、深度强化学习（Deep Reinforcement Learning, DRL）、随机森林（Random Forest, RF）和极端梯度提升（Extreme Gradient Boosting, XGBoost））的应用，通过主动和被动防御策略来提升IoV的网络安全。研究人员对当前基于ML的IoV安全解决方案进行了广泛的文献综述，并利用从2019年福特汽车电子控制单元（Electronic Control Units, ECUs）实验中获得的大规模数据集CICIoV2024设计了基于AI/ML的检测模型。基于广泛的实验和分析，研究人员发现LSTM模型在识别欺骗和DoS攻击方面优于其他AI/ML模型，从而增强了下一代IoV的安全性。研究人员的工作可为理解最新AI/ML技术在增强IoV安全中的作用及其在现实场景中实施所面临的挑战奠定基础。
研究背景与意义
车联网（Internet of Vehicles, IoV）是通过车辆万物互联（Vehicle-to-Everything, V2X）技术实现车辆、路边基础设施、传感器与云服务通信的网络化车载生态系统，旨在提供智能交通服务。然而，随着超连接环境的扩张，IoV面临日益严峻的网络安全威胁，特别是欺骗（Spoofing）和拒绝服务（Denial-of-Service, DoS）等攻击，严重威胁系统完整性与用户安全。传统人工智能（Artificial Intelligence, AI）或机器学习（Machine Learning, ML）模型（如随机森林（Random Forest, RF）、极端梯度提升（Extreme Gradient Boosting, XGBoost））虽有所应用，但依赖预定义固定特征，难以应对高度动态、快速演进的IoV环境中的复杂攻击模式，存在显著安全漏洞。因此，开发具备自适应、自学习能力的先进AI防御方法迫在眉睫。该研究发表于《Electronics》，旨在通过对比分析深度学习与传统ML模型在IoV入侵检测中的性能，揭示长短期记忆网络（Long Short-Term Memory, LSTM）等序列模型在处理控制器局域网络（Controller Area Network, CAN）总线时序数据上的优势，为下一代AI赋能的车载威胁检测框架提供实证依据与实验洞察。
主要关键技术方法
研究人员采用CICIoV2024数据集（源自2019年福特汽车电子控制单元（Electronic Control Units, ECUs）实验的大规模数据集）开展研究。数据集按70%训练、15%验证、15%测试划分，仅对训练集应用重采样技术以解决类别不平衡问题（良性流量约占87%）。实验使用Python 3.14.3结合TensorFlow与Scikit-learn库，设定随机种子（seed=42）确保可复现性，并对数值属性进行最小-最大（min–max）归一化。研究的AI/ML模型包括：LSTM（128单元、Dropout率0.2、Adam优化器学习率0.001、批次64、50周期）、深度强化学习（Deep Reinforcement Learning, DRL）基于深度Q网络（Deep Q-Network, DQN）（同学习率与批次、回放内存50000、折扣因子γ=0.95、探索率ε衰减1.0至0.01、100回合）、随机森林（Random Forest, RF）与极端梯度提升（Extreme Gradient Boosting, XGBoost）。评估指标涵盖准确率（Accuracy）、精确率（Precision）、召回率（Recall）与F1分数（F1-score）。
研究结果
5.1. DRL Model Performance
研究人员基于CICIoV2024二元格式数据训练DRL模型，结果显示总准确率为0.83，精确率0.76、召回率0.83、F1分数0.79。宏观平均精确率、召回率、F1分数均约0.17，表明模型严重偏向多数类（良性流量），对少数类攻击（DoS及各类型Spoofing）检测失效（各类F1约0.01），证明DRL在高度不平衡IoV数据集中难以有效学习攻击特征。
5.2. LSTM Model Performance
LSTM模型表现优异，总体准确率达1.00，精确率、召回率、F1分数均为1.00（除Spoofing-RPM精确率0.92/F1 0.96及Spoofing-SPEED召回率0.80/F1 0.89略有折衷）。研究人员认为LSTM擅长捕捉CAN总线流量的时序依赖关系，在数据平衡后能有效识别各类攻击。但指出近完美性能可能源于过拟合或数据集特异性，需跨数据集验证泛化能力。
5.3. Random Forest Performance
其准确率为0.98，精确率、召回率、F1分数均为1.00（宏观平均0.98）。在检测良性、DoS、Spoofing-GAS、Spoofing-STEERING时表现完美；Spoofing-SPEED召回率1.00（精确率0.83），Spoofing-RPM精确率1.00（召回率0.91）。表明RF在传统ML中性能较强，但缺乏应对动态威胁的自适应性。
5.4. XGBoost Model Performance
准确率为0.99，精确率、召回率、F1分数均为0.98（宏观与加权平均0.98）。对良性、DoS、Spoofing-GAS、Spoofing-STEERING达完美指标；Spoofing-SPEED召回率1.00（精确率0.83/F1 0.93），Spoofing-RPM精确率1.00（召回率0.91/F1 0.95）。显示XGBoost能学习复杂非线性关系且抗过拟合能力较好，但在复杂RPM与转向欺骗攻击分类上存在现实折衷。
5.5. Evaluation of DRL Classification Performance: Class-Wise and Overall Metrics
研究人员通过类别级与整体指标分析确认DRL受严重类别不平衡影响，加权指标虚高（准确率0.83），良性类F1 0.91而攻击类F1约0.01，宏观平均仅0.17，证实模型未学到 minority 攻击模式。
5.6. Evaluation of LSTM Classification Performance: Class-Wise and Overall Metrics
平衡后LSTM各类别（含Benign、DoS、Spoofing-GAS、Spoofing-STEERING）精确率、召回率、F1多为1.00，整体指标1.00，仅少数Spoofing子类略有下降，显示其消除多数类偏置后具备强检测能力。
5.7. Evaluation of Random Forest Classification Performance: Class-Wise and Overall Metrics
RF在优化后整体准确率0.98，宏观平均0.98，加权平均0.99，消除前偏置，对各类正常与恶意流量检测损失极小，仅在Spoofing-SPEED与Spoofing-RPM有细微折衷。
5.8. Evaluation of XG Boost Classification Performance: Class-Wise and Overall Metrics
XGBoost整体准确率0.99，宏观与加权平均0.98，完美区分正常与多数攻击，在Spoofing-SPEED与Spoofing-RPM存在实际折衷（前述指标），体现现实部署中的权衡。
5.9. Overall Comparison of Model Results
综合比较显示DRL因类别不平衡仅准确率0.83且攻击F1 0.01；LSTM准确率1.00有效检测威胁；RF 0.98与XGBoost 0.99在多数攻击检测完美但有细微折衷。研究人员建议IoV安全采用LSTM以处理时序流量变异精准检测DoS与Spoofing。
5.10. Computational Complexity and Resource Requirements
研究人员指出LSTM与DRL计算需求高于RF/XGBoost（后者基于决策树推理快），LSTM因序列记忆单元与循环处理增加训练时间与内存消耗，DRL需模拟环境交互增加开销。但LSTM对CAN总线序列检测能力适合中心或边缘平台，可通过轻量化优化、边缘计算与硬件加速降低延迟以实装车载系统。
讨论与结论翻译
结论部分翻译如下：
本文通过实验考察了先进AI/ML模型如何增强IoV环境中的网络安全。更确切地说，研究人员利用CICIoV2024数据集分析了四种复杂的AI/ML模型——LSTM、DRL、随机森林（Random Forest）和XGBoost——在识别IoV网络上常发生的DoS及其他欺骗（Spoofing）等重大网络攻击方面的表现。实验结果表明，传统ML模型（如随机森林和XGBoost）实现了较高的检测性能，准确率分别为0.98和0.99。然而，此类模型依赖既有特征，缺乏适应IoV网络威胁动态变化的灵活性。DRL模型由于严重的类别不平衡仅部分有效，总准确率为0.83且在少数攻击类上表现不佳。LSTM模型在所有受评估的AI/ML模型中结果最佳。通过以高准确率（1.00）及高精确率、召回率和F1分数处理控制器局域网络（Controller Area Network, CAN）总线流量的时序与序列特征，LSTM在大多数攻击类型中表现出近乎完美的性能。这些发现证实深度学习模型（尤其是处理序列数据的模型）非常适合检测IoV环境下的复杂攻击。总体而言，结果证明了采用先进深度学习模型以增强IoV安全的重要性。本文证明基于LSTM的入侵检测系统可显著增强DoS与欺骗攻击的检测，因此可被视为部署于下一代智能交通系统的有效选择。
局限性与未来方向（总结）：研究人员指出局限包括依赖CICIoV2024可能含特定车型与模拟偏差、类别不平衡残留影响、车载嵌入式系统算力受限难直接部署LSTM/DRL、仅聚焦DoS与Spoofing而未覆盖重放（replay）、模糊（fuzzing）等高级威胁。未来方向包括构建LSTM与DRL混合模型、跨真实世界IoV数据验证、扩展攻击类型评估、开发轻量化边缘适配模型、探索联邦学习与隐私保护机制以实现多车协同安全。
