AMAFQL-BC:一种基于信任的能效型联邦Q学习架构,用于实现安全且自适应的车辆智能系统

《Internet of Things》:AMAFQL-BC: A Trust-Driven Energy-Efficient Federated Q-Learning Architecture for Secure and Adaptive Vehicular Intelligence

【字体: 大 中 小 】 时间:2026年08月13日 来源:Internet of Things 7.1

编辑推荐:

  摘要:智能车辆互联网系统需要能够在异构交通环境、高度非独立同分布数据、隐私泄露以及模型更新被篡改风险下依然保持可靠性的协同学习架构。为应对这些挑战,本研究提出了基于区块链安全的自适应多智能体联邦Q学习框架(AMAFQL-BC),该框架通过多智能体深度确定性策略梯度驱动的多智能体联

  摘要:智能车辆互联网系统需要能够在异构交通环境、高度非独立同分布数据、隐私泄露以及模型更新被篡改风险下依然保持可靠性的协同学习架构。为应对这些挑战,本研究提出了基于区块链安全的自适应多智能体联邦Q学习框架(AMAFQL-BC),该框架通过多智能体深度确定性策略梯度驱动的多智能体联邦Q学习实现协作式决策学习,从而在分布式车辆节点间协调优化策略。该框架引入了委托信任证明区块链共识机制来评估数据来源的可靠性,并过滤掉有敌意或不一致的模型更新,同时采用高级加密标准伽罗瓦/计数器模式进行加密通信,以确保车辆与一切设备间模型交换的保密性与完整性。此外,通过自适应资源分配实现带宽感知调度,利用雕塑家优化算法优化超参数,以及能量感知联邦优化在能源限制条件下平衡客户端参与度、计算负荷和通信成本,进一步提升了系统的适应性。实验结果表明,AMAFQL-BC在UNSW-NB15数据集上的准确率为98.47%,在CIC-IDS-2017数据集上为99.31%,F1分数分别为97.99%和98.97%。即使在40%的节点为恶意节点的情况下,该框架仍能保持97.18%的准确率,且能在非独立同分布学习环境下保持良好性能,抵御模型篡改攻击。与现有方法相比,该框架还具有较低的延迟(不同规模下为18–52毫秒)、更短的共识时间(0.07–2.55秒)以及更高的区块链处理能力(每秒最多406笔交易),显示出更好的收敛稳定性、节能的参与方式以及安全的联邦协作能力。总体而言,AMAFQL-BC框架为实时车辆智能应用提供了可扩展、具备韧性和可信度的学习架构,有助于在大规模车辆互联网网络中实现稳健的决策制定和高效协作。

引言:车辆互联网利用车辆与一切设备间的通信技术,支持车辆的自主运行、协作式交通管理,以及车辆、路侧基础设施、行人和云网络之间的实时信息交流。然而,由于其高度动态的特性,V2X环境面临着严峻的安全与隐私威胁,这些威胁源于高流动性、拓扑结构快速变化、大规模数据传播以及易受网络攻击等因素[1]。此外,集中式架构存在单点故障、延迟高、信任度有限以及扩展性不足等缺陷。尽管已有去中心化的学习与安全解决方案,但现有方法往往分别处理智能功能(学习)或安全问题(信任),缺乏一个能够同时在高度动态的车辆互联网环境中实现自适应决策制定和可验证信任的统一框架。为此,近期有一些研究开始探索引入区块链技术的去中心化通信框架,通过部署大型语言模型来实现智能决策支持,区块链则确保通信的不可篡改性和可验证性,从而在车辆互联网生态系统中实现自适应的交通感知决策[2]。随着车辆互联网和V2X通信的发展,通过控制器局域网和外置无线通道传输的数据量不断增加,这使得通信系统更容易受到欺骗、拒绝服务和其他关键安全攻击的威胁。这类异构且高维度的交通环境需要具备强大功能的入侵检测系统,这类系统需依靠有效的特征选择方法来提高检测精度,同时还要实现实时处理性能[3]。尤其是像CICIoV-2024这样基于真实车辆攻击场景构建的数据集,通过优化特征后的入侵检测模型,提升了分类性能并降低了计算负担,进一步增强了车辆互联网的安全性[4]。在高度动态的车辆互联网环境中,认证、隐私保护和安全通信等问题依然十分突出,原因包括环境高度动态、无需认证即可访问、消息被伪造以及更容易受到网络攻击等[【5】、【6】、【7】、【8】、【9】、【10】]。现有的集中式解决方案在扩展性、通信效率和延迟方面存在诸多局限性[【11】、【12】]。然而,这类技术仍存在安全隐患,比如窃听、消息篡改、虚假数据注入以及拒绝服务攻击等,这些都会影响系统的可靠性和乘客的安全【【13】、【14】、【15】、【16】、【17】、【18】、【19】]。因此,车辆互联网系统需要具备认证、隐私保护、入侵检测、信任管理和韧性等功能,以便在车辆移动性和网络条件不断变化的背景下依然保持系统的完整性和可靠性【【20】、【21】、【22】、【23】】。在V2X环境下,安全通信对于构建可靠的车辆网络至关重要,因为通过多种异构链路持续传输的数据会使整个车辆互联网系统面临入侵、欺骗和拒绝服务攻击等威胁,而这些攻击可能会对协作驾驶功能造成严重危害【【24】、【25】、【26】、【27】】。因此,准确识别异常或恶意流量对于提升通信的安全性和可靠性具有重要意义。在高度不平衡的交通环境中,基于深度学习的流量分类模型对于有效检测异常行为至关重要,因为此时仍需有效识别罕见的攻击模式【【28】】。在车辆互联网环境中,车辆间的通信主要依赖于V2X通信,包括车对车、车对基础设施以及车对网络通信,这些通信方式有助于车辆之间实现无缝协作,从而避免碰撞、实现协作驾驶以及自动交通协调【【29】】。大规模的连接性、异构节点的参与以及实时数据流带来了入侵尝试、欺骗行为和恶意流量等安全挑战,这些都会严重威胁车辆互联网的可靠性和安全性【【30】】。为应对这些威胁,车辆互联网网络需要具备智能的入侵检测和防御模型,这类模型能够在低延迟和移动性限制条件下处理大量数据,同时保持较高的检测准确性并具备良好的泛化能力【【31】】。车辆与一切设备间的通信是车辆互联网系统的基础,它允许车辆发送位置、速度和运动状态等关键安全信息,以便各方实现协同感知【【32】】。然而,尽管有这些优势,与安全性相关的问题依然不容忽视,比如消息筛选、欺骗甚至恶意数据篡改等,因为即使消息在形式上符合语法规则,其中也可能包含具有误导性的语义信息【【33】】。因此,基于异常检测的安全机制非常重要,这类机制能够分析关键安全消息的行为语义,帮助识别异常或不一致的通信模式,从而提升车辆互联网系统的稳定性【【34】】。随着车辆互联网系统越来越依赖协同智能,联邦学习和多智能体系统等分布式学习方法逐渐成为有前景的解决方案。然而,现有的基于联邦学习的车辆互联网框架存在诸多缺陷,比如数据分布非独立同分布、模型更新可能带有恶意意图、通信开销较大,以及缺乏有效的信任验证机制。此外,大多数基于区块链的解决方案虽然注重安全日志记录和验证,但并未纳入适用于动态车辆环境的自适应学习方案。这些问题表明,需要一种能够整合自适应学习、安全聚合和信任管理的统一框架【【36】、【37】】。尽管如此,当前的研究已在车辆互联网的入侵检测、认证、基于区块链的保护以及联邦学习等方面取得了重要进展,但大部分研究都是单独探讨这些方面的问题,而非将其作为整体学习-安全流程的一部分【【38】】。以往开发的算法往往没有充分考虑非独立同分布数据、恶意干扰、资源差异以及延迟限制对联邦强化学习稳定性的综合影响【【39】】。为解决这些问题,本文提出了AMAFQL-BC框架,该框架将多智能体的强化学习方法与基于区块链的信任管理相结合,从而在车辆互联网环境中实现高效、自适应且安全的入侵检测。该框架能够确保模型收敛、采用可靠的聚合方法,并降低能耗,有望为下一代智能汽车网络提供可扩展且可靠的解决方案【【40】】。目前缺乏这种全方位整合的方法,这为相关研究提供了新的机遇。

• 本研究提出了一种集成式的自适应多智能体联邦Q学习与区块链安全框架(AMAFQL-BC),该框架通过结合强化学习和联邦聚合技术,再加上基于信任验证的安全通信机制,为智能车辆协作系统提供了强大的支持。
• 该框架还包含一个委托信任证明区块链层,用于在恶意环境中评估参与者?可靠性,防止包含被篡改或有缺陷的模型更新进入聚合过程,从而提升系统安全性。
• 学习流程的参数设计考虑了自适应资源分配和能量感知联邦优化,可实现动态的参与者调度、带宽控制、基于数据稀疏性的计算优化,以及降低异构车辆系统中的通信开销。
• 整个框架可通过雕塑家优化算法对关键的强化学习和系统参数进行调整,从而在独立同分布和非独立同分布的学习环境下提升收敛稳定性和性能。
• 该框架已通过UNSW-NB15和CIC-IDS-2017两个真实的网络安全数据集进行了验证。这两个数据集包含了多种多样的攻击类型,且正常流量与攻击流量的比例极不均衡。实验结果表明,该框架在各种异构数据环境下都能保持稳定性能。

本文的其余结构如下:第2节回顾了近期关于车辆互联网安全的研究成果;第3节介绍了本研究提出的方案;第4节阐述了实验结果;第5节总结了研究成果,并提出了未来的研究方向。

相关工作:另有研究提出了一种成本低廉的网络攻击检测框架,该框架基于轻量级的机器学习入侵检测策略,旨在保障车辆自组织网络的安全。该策略结合了随机森林分类器、信息增益特征选择以及过采样技术,用于解决Balanced CICIDS-2017数据集中特征冗余和类别不平衡的问题,从而提升了分类系统的性能。

系统模型与问题定义:所提出的框架基于多个成熟领域的技术,包括强化学习、联邦学习、区块链共识机制以及优化策略。虽然这些技术被整合在一起形成了一个完整的系统设计,但其中一些数学模型和算法流程仍然借鉴了现有的成熟方法,这些方法的来源需要明确标注。特别是……

结果与讨论:本节通过对实验设置的描述,以及对不同学习和系统环境下的模型行为分析,对所提出的框架进行了全面评估。文中阐述了在评估框架时如何综合考虑独立同分布和非独立同分布环境、数据稀疏性与扩展性差异、隐私约束、客户端参与程度以及恶意攻击场景等因素,同时还进行了对比分析。

结论:本研究通过设计自适应多智能体联邦Q学习与区块链安全框架(AMAFQL-BC),为车辆互联网构建了一种安全且具备自适应能力的协作学习架构。该框架整合了多智能体联邦Q学习、委托信任证明区块链共识机制、高级加密标准伽罗瓦/计数器模式加密通信、自适应资源分配、基于雕塑家算法的超参数优化以及能量感知联邦优化等技术。

CRediT作者贡献说明:G Elavel Visuvanathan:撰写原始稿件、可视化处理、验证、软件开发、方法设计、研究实施、形式化分析、数据整理、概念构思。Md Shohel Sayeed:监督工作、资金筹集。Sumendra Yogarayan:监督工作、资金筹集。Harisudha Kuresan:撰写审稿与编辑稿件、概念构思。

G Elavel Visuvanathan | Md Shohel Sayeed | Sumendra Yogarayan | Harisudha Kuresan

马来西亚马六甲州布基贝尔昂,75450,阿耶尔克罗老街,多媒体大学,先进云计算中心,智能云计算中心。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号