智能技术对车联网安全的影响：边缘计算与人工智能的融合

《ACM Computing Surveys》：Impact of Intelligent Technologies on IoV Security: Integrating Edge Computing and AI

　　

摘要 AI 总结 查看此 AI 生成的总结，您必须拥有高级访问权限。了解更多 登录

摘要
摘要
车联网（IoV）中智能技术的快速发展和集成，通过增强连接性、自动化和安全性，彻底变革了交通系统。然而，IoV 网络的复杂性和连接性也引入了安全挑战，包括数据隐私问题、网络威胁和系统漏洞。本文调查了边缘计算（EC）、机器学习（ML）和深度学习（DL）在加强 IoV 安全框架中的作用。它考察了这些技术之间的协同作用，突出了它们各自的能力以及它们在增强威胁检测、响应时间和自适应安全方面的集体影响。通过现实世界的案例研究和实际部署，我们展示了 EC、ML 和 DL 当前如何改善 IoV 系统的安全性和运营效率。本文还指出了 IoV 安全领域进一步发展的关键研究差距和未来方向，包括对可扩展、隐私保护解决方案以及抵御新兴网络威胁的稳健防御机制的需求。通过集成 EC、ML 和 DL，本工作为开发能够解决交通生态系统演变挑战的自适应、高效和弹性 IoV 安全基础设施奠定了基础。

AI 总结 AI 生成总结（实验性）
此总结是使用自动化工具生成的，未经文章作者撰写或审核。它旨在支持发现，帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要总结。完整文章仍然是权威的记录版本。点击此处了解更多。
点击此处对此总结的准确性、清晰度和有用性进行评论。这样做将有助于改进未来的再生版本。查看此 AI 生成的通俗语言总结，您必须拥有高级访问权限。

1 引言
车联网（IoV）将车辆、路侧单元和云平台集成到一个统一的信息物理交通网络中，实现实时数据交换以用于交通管理、V2I 通信和自动驾驶服务 [171]。然而， pervasive connectivity（广泛连接性）也扩大了攻击面：受损的传感器、欺骗性消息或被劫持的控制通道可能会侵犯隐私、破坏服务并危及生命 [112]。

传统的安全解决方案，如防火墙、基于签名的入侵检测系统（IDS）和集中式分析，难以应对 IoV 严格的延迟要求（亚 10 毫秒）、高移动性和设备异构性。边缘计算（EC）通过本地处理数据来缓解这些限制，减少了往返延迟并降低了骨干网暴露 [64]。机器学习（ML）通过预测分类器和聚类适应不断演变的攻击模式 [28, 121]，而深度学习（DL）则能发现浅层模型遗漏的微妙、高维异常 [31, 45]。

每一项技术单独来看都存在差距：EC 缺乏深度分析，ML 在零日利用方面表现不佳，而 DL 可能会压垮资源有限的节点。它们的协同集成，例如托管在边缘的 ML 过滤器对数据进行预筛选以供下游 DL 推理，加上保护原始数据的联邦更新，承诺构建一个实时、可扩展且保护隐私的 IoV 安全架构 [189]。

图 1 提供了 IoV 框架内所有技术动态交互和数据流的全面视图。该图说明了各种 IoV 组件的关键作用，展示了数据如何从车辆传输到边缘设备，然后到中央数据枢纽，最终到达最终用户界面，所有这些都在稳健的安全协议和标准的支撑下进行。这些技术之间的协同作用对于加强 IoV 安全至关重要。

图 1. IoV 框架内的数据流和交互：将组件与安全措施集成。

本调查的范围：本调查考察了 EC、ML 和 DL 的最新进展，特别关注它们在 IoV 安全中的作用，涵盖了 2019 年至 2026 年发表的研究。必要时引用基础性工作以提供历史背景并突出人工智能驱动的车联网网络安全演变。本研究不仅分析了边缘智能和基于 AI 的安全机制的理论及实践集成，还通过案例研究展示了现实世界的应用，说明这些技术如何增强 IoV 中的威胁检测、入侵防范和数据隐私。此外，本调查考察了预期将重塑 IoV 安全框架的新兴技术趋势，包括量子计算、AI 驱动的自主安全模型和下一代网络。通过确定当前的挑战和未来方向，本工作为寻求推进 IoV 生态系统可扩展、自适应和隐私保护安全解决方案的研究人员和从业者提供了结构化的基础。

关键研究问题：本调查通过解决以下研究问题，探索 EC、ML 和 DL 在保障 IoV 系统安全中的集成：
(1) 不同 IoV 架构和连接模型中存在哪些独特的漏洞和威胁向量？
(2) 引入 EC 如何影响 IoV 网络中的延迟降低、可扩展性和实时安全执行？
(3) 与传统方法相比，ML 和 DL 技术如何推进安全威胁的检测、分类和缓解？
(4) ML 和 DL 模型如何增强复杂、高维 IoV 数据流内的模式识别和异常检测能力？
(5) 在设计自适应和弹性的 IoV 安全框架中，集成 EC 与 ML 和 DL 技术产生了哪些协同效益？
(6) 新兴技术的采用如何影响 IoV 安全领域的监管合规性和行业标准的演变？
(7) 在部署集成 IoV 安全框架时，存在哪些持续的操作和技术挑战，特别是关于互操作性、系统维护和可扩展性？
(8) 哪些未来方向和新兴研究领域有望推动 AI 驱动的 IoV 安全框架的进步？

论文结构：本调查探索了高级技术在 IoV 安全中的集成。图 2 概述了组织结构。第 2 节，相关工作，回顾先前的调查并定位本研究的贡献。第 3 节，IoV 安全架构、威胁格局与行业趋势，讨论分层模型、威胁演变和行业响应。第 4 节，EC 在 IoV 安全中的作用，突出了 EC 在实时防御中的作用。第 5 节和第 6 节，ML 和 DL 技术，考察用于自适应威胁缓解的 AI 方法。第 7 节，技术组合的协同效应，评估集成的 EC-ML-DL 框架。第 8 节，案例研究，展示现实世界的部署，第 9 节，未来方向和研究机会，确定未解决的挑战。第 10 节总结见解的综合。

图 2. 论文结构概览。

2 相关工作
2.1 现有工作比较
关于 IoV 安全的现有调查和比较研究探索了 ML、DL 和 EC，但大多数研究将这些技术孤立对待，缺乏统一或集成的方法。表 1 将调查的文献分为四类：聚焦安全的研究、调查/评论论文、应用研究和框架/模型提案。这种分类有助于区分基础性调查、实际实现和理论模型，突显跨技术集成中现有的差距。几项工作调查了基于 ML 和 DL 的机制，主要关注威胁检测和异常分类 [7, 132, 156]。然而，这些研究通常忽视了可扩展性问题，未能解决 EC 如何增强资源受限的车载环境中的实时处理。相反，专注于 EC 的研究突出了其对 IoV 安全的好处，包括延迟降低和计算卸载 [48, 173]。然而，这些方法通常缺乏与 ML/DL 模型的集成，而这是自适应和智能安全系统所需的。诸如 FL 和区块链等隐私保护技术也已在最近的文献中被考察 [100, 175]。这些工作强调数据完整性和隐私，但未完全解决计算效率或在大车载网络中扩展此类方法的挑战。

表 1. Ref (年份) EC ML DL 焦点 差距 本文的改进
[157] ⊕ (2019) ? ? ? 5G/6G IoV 中的 ML 缺失 DL + EC 统一的 ML + DL + EC
[125] ? (2020) ? ? ? IoV 中的弹性 隐私；EC 隐私保护的 ML + EC
[173] ? (2020) ? ? ? 用于 DL 的 EC 实时检测；资源管理 EC 增强的 ML/DL 安全
[48] ? (2020) ? ? ? EC 实时处理 DL 安全 EC + DL + ML 集成
[132] ? (2020) ? ? ? 对抗防御 用于对抗 ML 的 EC ML + DL + EC 防御
[156] ? (2021) ? ? ? ML 威胁缓解 EC 集成 边缘增强的 ML 缓解
[34] ? (2021) ? ? ? DL 分析 安全分析 DL + 实时检测
[114] ? (2021) ? ? ? 边缘 ML 处理 边缘安全 可扩展的边缘 ML 检测
[49] ? (2022) ? ? ? 资源分配 安全措施 安全资源分配
[175] ? (2023) ? ? ? 区块链完整性 ML/DL 检测 ML/DL + 区块链安全
[100] ? (2023) ? ? ? 隐私保护的 IoV 可扩展性 可扩展的隐私保护框架
[22] ? (2023) ? ? ? 5G-V2X 不良行为 实时；可扩展性 实时 EC 集成
[7] ? (2024) ? ? ? 用于 IDS 的 DL 可扩展性；边缘处理 可扩展的边缘驱动 IDS
本文 (2026) ? ? ? 集成 IoV 安全——统一的实时 ML/DL/EC 焦点

现有 IoV 安全调查与本工作分析的研究差距比较
ML: 机器学习；DL: 深度学习；EC: 边缘计算。?= 存在，?= 不存在。
⊕: 安全聚焦；?: 调查/评论；?: 应用研究；?: 框架/模型。

本调查通过提供 EC、ML 和 DL 技术在威胁检测、可扩展性和隐私保护机制背景下的集成分析，推进了现有的工作。它进一步调查了 5G/6G 网络环境、AI 驱动的自适应安全和抗量子密码方法中的新兴挑战，为 IoV 安全框架提供了全面和前瞻的视角。比较研究中一些关键的研究差距包括：
— 碎片化集成。EC、ML 和 DL 通常被孤立评估；协调它们的跨层框架仍然稀缺 [64]。
— 隐私与性能。无证书密码、FL 和区块链各自解决隐私问题，但它们与边缘智能的联合使用了解甚少 [175, 182]。
— 实时可扩展性。卸载降低了延迟 [185]，但很少有人将其与大规模、动态车队所需的自适应 ML/DL 耦合。
— 下一代威胁。5G/6G 切片攻击、对抗 ML 和后量子密码各自被认可 [157]，但未在集成的 IoV 安全栈内进行分析。

2.2 我们的贡献
为了应对 IoV 安全研究的碎片化和快速演变，本调查做出了五项关键贡献：
(1) 综合分类法。我们将 2019 年至 2026 年发表的 200 多项工作综合成一个统一的分类法（如图 3 所示），根据其主要的安全功能和部署模型对 EC、ML、DL 以及完全集成的 EC–ML–DL 解决方案进行分类。

图 3. IoV 安全技术分类法及关键出版物（2019–2026）。

(2) 深入技术分析。对于每个支柱（EC、ML、DL），我们批判性地考察基本方法（例如，卸载策略、监督与无监督学习、CNN/RNN 架构），量化它们在延迟、准确性、能量和隐私方面的性能权衡，并比较边缘原生优化，如剪枝、量化和联邦更新。
(3) 现实世界案例研究与经验教训。我们精选了一系列大规模部署，从无钥匙车辆认证和碰撞避免到城市级交通监控，并提炼出关于数据治理、可扩展性、互操作性、持续适应用户隐私的可操作经验教训。
(4) 挑战与缓解策略。基于文献和我们的案例研究见解，我们绘制了关键障碍，包括资源限制、网络可靠性、监管合规性，并提出具体的缓解战术，包括类脑/事件驱动推理、区块链锚定的模型溯源和混合密码方案。
(5) 未来研究路线图。我们规划了一个前瞻性的议程，涵盖抗量子和同态加密、可解释和对抗鲁棒的 AI、跨层自适应安全架构以及 6G 支持的 V2X 信任框架，每个框架都链接到将指导下一代 IoV 安全创新的开放问题。

2.3 文献回顾过程
图 4 描绘了我们的六阶段回顾过程。我们使用“物联网安全”、“边缘计算”、“物联网中的机器/深度学习”和"FL"等术语查询 IEEE Xplore、ACM DL、SpringerLink 和 ScienceDirect；过滤器保留了 2019-2026 年的同行评审工作，加上早期的奠基性论文。全文筛选评估了方法论的严谨性和现实意义。选定的研究被编码为主题：EC 框架、基于 ML 的防御、DL 异常检测和隐私保护技术（FL、区块链）。该过程支持调查发现的透明、可复现的证据基础。

图 4. 车联网安全调查的搜索方法论：系统数据收集、筛选和分析。

3 车联网安全架构、威胁格局与行业趋势
3.1 分层安全架构与连接模式
车联网（IoV）的安全架构通常被概念化为一个三层模型，如图 5 所示。这种分层视图有助于将安全责任分解到车载、边缘和云基础设施中。在车载网络层，车载单元（OBU）负责使用短期公钥基础设施（PKI）凭证认证 V2V 通信。这些单元还执行帧验证，以在源头过滤格式错误或有恶意的数据包。通过 RSU 运行的本地通信层负责聚合流量、应用入侵检测机制和执行速率限制以对抗 volumetric DoS 攻击。最上层的云分析层将分布式的车载源遥测与外部威胁情报源集成。该层越来越多地利用 DL 分类器和 FL 框架来支持隐私保护的威胁检测和自适应响应。

图 5. 车联网的层次架构。

3.2 威胁格局
了解威胁格局对于识别传统安全模型的局限性并推动采用新兴解决方案至关重要。图 6 说明了跨越 IoV 栈的常见攻击向量，而图 7 显示最近的事件最常针对远程信息处理单元（43%）、信息娱乐系统（15%）和公共 API（13%）。

表 2 补充了这些图示，显示车联网 (IoV) 威胁不仅在攻击方法上不同，在运营影响上也不同，范围从隐私泄露和服务中断到直接的安全关键控制被攻破。攻击可大致分类如下：

表 2.
参考文献 | 威胁 | 典型表现 | 防御启示
[93, 111] | Sybil (女巫攻击) | 伪造身份；虚假事件 | 需要身份一致性检查和跨节点验证
[93, 143, 181] | DoS/DDoS (拒绝服务/分布式拒绝服务) | 洪泛攻击；僵尸网络激增 | 需要低延迟可用性保护和速率控制
[16, 37] | MitM (中间人攻击) | 数据注入；篡改 | 需要完整性验证和会话保护
[29, 47, 139] | Spoofing (欺骗) | GPS/设备冒充 | 需要传感器/上下文交叉验证
[40, 150] | 身份盗窃 | 凭证盗窃；接管 | 需要凭证保护和快速吊销
[60, 178, 186] | 会话劫持 | 会话重用；路由变更 | 需要重新认证和会话连续性检查
[29] | API 漏洞 | API 利用 | 需要后端监控和应用层加固
[17, 73] | 窃听 | 嗅探；流量分析 | 需要加密和元数据暴露控制
[94] | 时序攻击 | 加密时序泄露 | 需要在实现层面加固
[29, 85, 155] | 重放攻击 | 帧重放；数据包延迟 | 需要新鲜度和时序验证
[3, 65, 193] | 虚假数据 | 流量/状态伪造 | 需要合理性和跨源一致性检查
[84, 86, 181] | 编队攻击 | 篡改；干扰 | 需要协调的低延迟响应
[95, 203] | CAN 总线黑客 | 流氓控制命令 | 需要车载毫秒级检测
[15, 74] | 勒索软件 | 系统锁定 | 需要韧性和恢复计划

车联网威胁、表现形式及防御启示总结

图 6. 车联网生态系统中的安全威胁。
图 7. 联网汽车中不同攻击向量的分布 (2023) [158]。

以网络为中心的攻击，如 Sybil 和 DoS，通常使用分布式信任模型和基于熵的过滤来缓解 [93, 143, 198]。基于身份的威胁，包括 GPS 欺骗和证书伪造，通过基于长短期记忆 (LSTM) 的传感器融合技术来解决 [47, 178]。数据完整性破坏通过时间戳验证和加密协作感知来对抗 [85, 150]。物理和软件利用，如 CAN 总线注入和不安全的 API，需要加固网关和加密内部通信 [29, 84, 203]。

启示：威胁格局凸显了车联网安全风险的 multidimensional (多维) 特性，涵盖了从物理层入侵到协议层和应用层利用。这些观察结果强调了传统的基于边界的防御在应对动态、大规模和延迟敏感的车辆环境方面的局限性。这些威胁的复杂性和分布性需要分层缓解策略，结合本地异常检测、安全通信协议和韧性网络架构。因此，了解这些攻击向量的特性对于评估现有安全架构的有效性以及识别需要更具适应性和上下文感知解决方案的领域至关重要。

3.3 车联网安全现状与行业趋势

传统车联网安全依赖于加密、传输层安全、多因素认证和基于规则的入侵检测系统 (IDS) 以提供基准保护 [11, 19, 29, 136, 149]。这些机制在对抗已知威胁时仍然有用，但在大型和移动车联网环境中其限制日益显现：深度包检测增加了延迟 [46]，基于签名的 IDS 会遗漏新型攻击 [123]，而集中式遥测收集在动态车辆流量下扩展性较差 [117]。

3.3.1 现代对策。
因此，最近的工作转向了由人工智能驱动和数据为中心的防御。基于机器学习的入侵检测系统提高了对演变威胁的适应性 [16]，而深度学习模型如卷积神经网络 (CNN) 和循环神经网络 (RNN) 在选定场景下的检测准确率已报告超过 99% [126]。边缘加速器能够实现低于 10 毫秒的推理，以进行近乎实时的响应 [75]，联邦学习 (FL) 减少了原始数据传输同时保护了隐私 [113]。基于区块链的完整性机制 [83, 201]、轻量级加密和抗量子原语 [66] 进一步加强了信任和韧性。表 3 总结了这种向分布式分析、自适应模型和去中心化执行的转变，同时也显示了在边缘扩展性、特定司法管辖区合规性和可审计性方面剩余的挑战 [30]。

表 3.
方面 | 传统 | 当前 | 进展与局限
监管 | 特定区域 [18] | GDPR, NIST [152] | 更好的全球对齐；跨境合规挑战
能源 | 高消耗 [58] | AI/EC 优化 [146] | 改进的电源管理；深度学习仍耗电量大
数据处理 | 集中式，高延迟 [46] | 边缘驱动，低延迟 [145] | 实时响应；潜在的边缘瓶颈
威胁检测 | 基于签名 [123] | 机器学习/深度学习驱动 [126] | 主动分析；高计算量和误报
安全协议 | 静态规则 [9] | 自适应模型 [202] | 响应新威胁；复杂性和合规风险
互操作性 | 设备特定 [117] | 标准化协议 [44] | 广泛的兼容性；遗留集成问题
可扩展性 | 大规模时表现差 [180] | 模块化 AI/EC [128] | 处理大数据；需要健壮的基础设施
系统更新 | 手动，不频繁 [27] | 自动化，实时 [20] | 持续适应；更新推广风险

传统与当前车联网安全解决方案比较

3.3.2 行业现状。
市场趋势强化了联网汽车安全的紧迫性。预计到 2024 年，全球联网汽车市场将从 2023 年的 800.0 亿美元增长到 926.0 亿美元，由 5G 基础设施和人工智能集成驱动 [158]。与此同时，攻击正在增加：图 8 显示自 2021 年以来与 API 相关的漏洞增加了 380% [14, 164]。报告案例包括影响超过 25 家汽车原始设备制造商 (OEM) 的远程控制利用，以及针对 NIO 的 225 万美元比特币勒索事件 [69, 122]。

图 8. 车联网生态系统中安全事件的影响 (按年份计算的严重事件百分比)。

3.3.3 标准化与法规。
标准和法规正在根据这些风险演变。ISO/SAE 21434 和 UNECE WP.29 强调通过设计实现网络安全、安全软件更新和事件响应准备就绪，如图 9 总结所示 [38, 80, 163]。NIST 网络安全框架进一步促进了持续监控、空中下载 (OTA) 补丁和自动化合规性验证 [116]。总体而言，车联网安全正从静态的、以基础设施为中心的保护转向人工智能增强、边缘辅助和标准对齐的防御。接下来的部分将探讨边缘计算 (EC)、机器学习 (ML) 和深度学习 (DL) 如何支持这一转变。

图 9. 车联网中的网络安全标准和实践。

3.4 车联网安全中边缘计算、机器学习和深度学习的格局

车联网系统的规模和异质性推动安全架构将边缘计算、机器学习和深度学习作为运营组件，而非孤立的研究工具。它们共同支持车辆、边缘和云层的低延迟检测、自适应响应和隐私感知处理。

3.4.1 边缘计算发展。
路侧单元 (RSU) 上的多接入边缘计算 (MEC) 服务器越来越多地托管容器化安全服务，如证书验证、本地过滤和误行为日志记录 [64]。上下文感知卸载使用车速、信道质量或负载状态来决定是传输原始数据、特征还是推理输出 [185]。无证书密码学减少了握手延迟 [182]，而基于雾计算的聚类通过跨 RSU 的服务复制提高了容错性 [124]。剩余挑战包括跨基础设施信任协调和保护边缘硬件免受侧信道攻击。

3.4.2 机器学习方法。
如随机森林和支持向量机 (SVM) 等监督模型在入侵检测系统中仍然常见，并在如 CIC-IDS-2018 和 VeReMi 等数据集上报告了强劲结果 [132, 156]。无监督方法对于零日发现很有用，但在密集流量中通常会产生高误报 [22]。联邦学习支持减少原始数据暴露的分布式训练 [48]，基于图的方法改善了来自车辆交互的上下文感知威胁评分 [196]。主要限制仍然是数据不平衡、车载计算能力有限和对抗性脆弱性。

3.4.3 深度学习架构。
深度学习支持射频指纹识别、激光雷达分析、CAN 总线异常检测和其他高维车联网安全任务 [7, 31]。已研究轻量级自编码器和变分模型用于在受限硬件上进行实时异常检测 [45]。层分裂可以将早期处理移动到车辆，将后期推理移动到边缘服务器，减少车载负载同时保持低延迟响应 [191]。持续的差距包括概念漂移、对抗鲁棒性以及在资源限制下的稳定部署。

3.4.4 集成模式。
三种集成模式很常见：在 RSU 上进行边缘托管推理以实现基于低延迟深度学习的威胁检测 [64]；结合 RSU 级过滤和云级模型聚合的分层学习 [100]；以及区块链记录模型哈希和裁决以供审计的协作分析 [175]。然而，这些组件仍然通常单独部署。一个联合优化模型放置、隐私、可审计性和检测准确性的统一架构仍然是一个开放需求。

4 边缘计算作为车联网安全的赋能者

上一节概述了车联网系统的架构结构，并强调了集中式处理带来的安全威胁。为了应对这些局限性，边缘计算已成为可扩展、低延迟和隐私保护安全框架的基础赋能者。通过将计算重新定位到更接近车辆的地方，通过车载单元 (OBU) 和路侧单元 (RSU)，边缘计算减少了决策延迟，限制了攻击面，并支持本地化分析。本节调查了边缘计算在车联网安全中的作用，侧重于处理架构、支持的安全功能和突出的研究挑战。

4.1 车联网安全中以边缘为中心的处理架构

边缘计算在车联网安全架构中引入了一种分布式处理范式，实现了低延迟威胁检测、本地化决策制定和减少对集中式云基础设施的依赖。图 10 展示了一种常用的三层架构，包括车辆级微边缘节点、RSU 和基于云的服务。这种层次结构反映了从边缘到核心处理能力的增加和响应速度的降低。在最低层，OBU 处理高频传感器数据流，如 CAN 总线消息、激光雷达点云和 GPS 遥测。通常采用轻量级模型，如 1D CNN 或统计过滤器，以实时丢弃格式错误的数据包或检测基本异常 [71, 107]。这些微边缘功能减少了 RSU 的计算负担，同时实现了在数据源的初始威胁过滤。中间层由配备 MEC 服务器的 RSU 组成，支持更多计算密集型任务。部署如基于 GRU 的自编码器或 CNN-LSTM 混合模型来识别更隐蔽的威胁，包括分布式 DDoS 突发、欺骗信标或协议滥用 [98, 144]。RSU 还可以根据本地上下文执行数据聚合、速率限制和策略执行。在最高层，云服务处理全球威胁关联、策略分发和模型优化。边缘节点不再传输原始传感器数据，而是转发元特征或加密梯度更新，保护隐私并减少带宽消耗 [41, 42, 188]。联邦学习范式通常用于支持跨分布式站点的协作模型改进，而无需集中式数据收集 [195]。

图 10. 车联网的通用边缘计算架构。

图 11 说明了边缘计算赋能的车联网架构中的安全数据流。车辆生成传感器数据，传输到附近的 RSU 进行实时分析和初始威胁检测。高优先级警报触发向周围车辆的立即广播，以支持协作感知 [176]。在不确定情况下，RSU 将加密特征摘要转发到中央系统以进行进一步评估。模型更新和优化的安全参数定期发送回边缘节点，实现自适应本地检测。这种分层架构平衡了响应性、可扩展性和安全性，同时实现了细粒度策略执行和协调防御。

图 11. 车联网安全中的边缘计算：车辆、边缘节点和中央服务器之间的数据流和实时处理。

4.2 边缘计算实现的安全功能

由于其支持本地化决策制定、减少数据暴露和提高系统响应性的能力，边缘计算已被广泛用于最近的车联网安全框架中。本节调查了现有研究如何利用边缘计算来实现核心安全功能，按能力领域分组。

4.2.1 减少暴露和攻击面。
几项研究强调了边缘计算在最小化系统对外部威胁暴露方面的作用。Zhao 等人证明，在 RSU 执行威胁检测任务减少了通过公共网络传输的数据包数量，从而限制了拦截和中间人攻击的机会 [209]。在边缘隔离受损节点，在其行为影响全球分析之前，也被提出作为一种遏制策略。

4.2.2 数据保护和保密性。
Zhang 等人的工作引入了 LVPDA，这是一种专为资源受限 OBU 量身定制的轻量级协议，能够在不显著增加内存开销的情况下实现安全通信 [204]。在类似方向上，Fan 等人提出了 DR-BFT，这是一种基于区块链的框架，能够在最小 RSU 存储要求下实现防篡改日志记录 [53]。表 4 总结了几种在边缘保护隐私的设计方法。采用基于属性的加密和同态聚类等技术，以确保只有处理后的洞察，而不是原始数据，与云基础设施共享。

表 4.
参考文献 | 优势 | 描述 | 用例
[135, 209] | 带宽优化 | 减少上游数据；缓解网络拥塞 | 智慧城市交通管理
[41, 43] | 增强隐私 | 本地数据处理；降低泄露风险 | 自动驾驶位置共享
[4, 71] | 延迟削减 | 边缘端分析；更快响应 | 实时障碍物规避

边缘计算在车联网中的关键优势

4.2.3 低延迟威胁检测。
研究人员探索了部署分层检测模型以平衡速度和准确性。Cui 等人评估了微边缘设备上的异常检测浅层模型，实现了对粗粒度威胁的亚毫秒级推理 [39]。相比之下，部署在 RSU 上的更深模型，如 CNN-LSTM 混合模型，用于检测隐蔽或高维攻击。表 5 概述了这些模型在时间关键场景下特别有效的用例。Li 等人的工作进一步在边缘直接集成使用聚合签名和去中心化令牌检查的认证机制 [91]。

表 5.
参考文献 | 延迟↓ | 固件更新 | 加密 | 检测 | 认证 | 访问 | 完整性 | 异常
[146] | ? | × | × | × | × | × | × | ×
[206] | × | ? | × | × | × | × | × | ×
[145] | × | × | ? | × | × | × | × | ×
[126] | × | × | × | ? | × | × | × | ×
[44] | × | × | × | × | ? | × | × | ×
[128] | × | × | × | × | × | ? | × | ×
[27] | × | × | × | × | × | × | ? | ×
[23] | × | × | × | × | × | × | × | ?

边缘计算在车联网和实际应用中实现的关键安全功能

4.2.4 运营效率和主动响应。
边缘赋能的架构也支持更广泛的系统级目标。Hou 等人和 Abouaomar 等人表明，本地推理减少了密集车辆环境中的通信开销和无线电拥塞 [4, 71]。Cui 等人 和 Zhu 等人的工作表明，部署在 RSU 上的预测模型可以主动检测入侵和不安全的驾驶条件，实现车联网 (V2X) 应用中的实时执行 [41, 213]。总体而言，文献证实边缘计算加强了车联网安全的防御和运营维度。

通过将智能推向数据源，EC（边缘计算）实现了可扩展且具备上下文感知能力的机制，这些机制与车联网（IoV）生态系统的时间、隐私和资源约束相一致。

4.3 EC 赋能 IoV 安全中的开放挑战与未来方向

EC 推动了 IoV 安全的进步，但仍有几个技术和架构挑战尚未解决。本小节综述了文献中确定的关键局限性，并突出了未来研究有前景的方向，重点强调了部署可扩展性、信任管理以及与新兴技术的融合。

4.3.1 资源分配与模型放置

在车辆、RSU（路侧单元）和云层级之间高效分配计算资源仍是一个核心挑战。Hou 等人 [71] 和 Zhao 等人 [207] 讨论了在 RSU 大规模支持 GPU 级推理的困难。现有工作探索了动态卸载策略，考虑了本地队列长度、无线信道状态和模型复杂性，但实时保证和在跨场景下的通用性仍然是开放性问题 [53, 64]。

4.3.2 信任管理与安全基础

在边缘建立信任涉及性能与密码学严谨性之间的权衡 [170, 187]。Xu 等人 [64] 和 Wang 等人 [187] 强调了防篡改硬件、安全启动流程和持续认证的必要性，以防止对暴露的边缘节点进行侧信道攻击。Grover 等人 [55] 突出了本地托管方案中密钥吊销的复杂性。Fernandez 等人提议集成后量子密码学，以确保 V2X 通信面向未来。

4.3.3 可扩展性与异构性

EC 部署面临由于硬件异构、软件栈多样性和补丁复杂性带来的管理开销 [64]。研究提出了容器化的 OTA（空中下载技术）更新机制，以简化分布式边缘环境的 DevSecOps，但在数千个移动和静态边缘节点之间协调更新引入了可靠性和一致性问题。

4.3.4 隐私保护学习与概念漂移

基于 FL（联邦学习）的自适应安全框架必须考虑快速变化的交通条件和对抗模式 [48]。Deng 等人 [188] 提议通过安排更新间隔来管理车队中的无线电竞争。Xu 等人 [64] 研究了在存在受损边缘节点情况下的信任感知聚合。然而，在概念漂移下保持模型准确性而不损害隐私仍然是一个活跃的研究领域。

4.3.5 与新兴技术的融合

最近的研究设想 EC 与互补技术的融合 [211]。Zhou 等人 [87] 调查了用于预测性而非反应性威胁检测的持续学习。轻量级区块链用于遥测完整性、抗量子密码方案和 5G/6G 链接上的确定性网络， increasingly 被提议作为架构扩展 [55, 103]。边缘渲染的增强现实 (AR) 仪表盘也被探索用于实时威胁可视化 [131]。

表 6 总结了这些面向未来的发展。将这些技术集成到一个统一的、资源感知的边缘智能堆栈中，以同时符合安全和监管要求，代表了下一代 IoV 系统的关键方向。

**表 6. IoV 安全中的未来 EC 技术：技术使用 (?/ ×) 及其影响**

| 参考文献 | AI | QC | BC | AR/VR | 5G/6G | Pred. Ana. | Auto | 影响 |
| :--- | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :--- |
| [211] | ? | × | × | × | × | × | × | 威胁检测 |
| [55] | × | ? | × | × | × | × | × | 数据保护 |
| [87, 199, 200] | × | × | ? | × | × | × | × | 完整性 |
| [131] | × | × | × | ? | × | × | × | 态势感知 |
| [103, 127] | × | × | × | × | ? | × | × | 态势感知 |
| [168] (Pred. Anal.) | × | × | × | × | × | ? | × | 主动防御 |
| [168] (Auto Edge Mgmt) | × | × | × | × | × | × | ? | 持续完整性 |

5 IoV 安全中的 ML 技术

ML 正在重塑 IoV 系统中的威胁检测与缓解。本节探讨了 ML 如何增强检测、与 IoV 安全框架集成，并与传统方法进行比较，强调了关键策略、挑战和未来方向。

5.1 IoV 安全中的 ML 范式分类

ML 是自适应、数据驱动的 IoV 安全的基础，克服了静态基于规则的防御的局限。本小节分类了关键范式，包括监督、无监督和强化学习 (RL)，并考察了它们的安全角色。图 12 突出了向预测分析的转变，而表 7 总结了它们的代表性用例。

**表 7. IoV 安全中的 ML 范式**

| 范式 | 优势 | 局限性 | 典型 IoV 用途 |
| :--- | :--- | :--- | :--- |
| 监督 | ? 对已知模式准确性高 | × 需要标记数据；对零日攻击较弱 | 恶意软件 / IDS（已知攻击） |
| 无监督 | ? 检测未知威胁；无需标记数据 | × 误报率高；需要验证 | V2X 异常检测 |
| 强化学习 | ? 适应动态变化；策略学习 | × 计算量大；奖励调优 | 自适应 IDS；策略优化 |

**图 12. 网络安全中 ML 的演进。**

5.1.1 监督学习

监督学习仍然是 IoV 安全研究中最广泛采用的范式。随机森林、SVM（支持向量机）和梯度提升机等分类器可以在公共数据集上以超过 95% 的准确率检测重放信标、伪造数据包和恶意软件 [213]。Gao 等人 [59] 和 Li 等人 [91] 进一步表明，这些模型在延迟和精度方面优于传统的入侵检测基线。然而，它们的实际优势对于特征明确的攻击最大，因为它们依赖于标记数据，并且通常需要在不断演变的威胁（如新型 DoS 变体和分布偏移）下重新训练以保持有效性。

5.1.2 无监督学习

无监督方法越来越多地用于检测以前未见过的或零日威胁。聚类算法如 k-Means 和自组织映射 (SOM)，以及主成分分析 (PCA) 等降维技术，已被应用于识别未标记车辆流量中的异常行为 [179]。这些方法在标签不可用的开放 V2V 环境中很有吸引力，但这种灵活性伴随着较弱的决策边界和较高的误报率。在实践中，它们的操作性价值通常取决于人工审查或可以在执行前过滤噪声警报的混合管道。

5.1.3 强化学习

RL 提供了一种动态替代静态策略执行的方法，允许智能体从实时反馈中适应防御策略。基于 RL 的防火墙规则和质量服务设置在车辆边缘环境中进行了探索 [90, 197]。虽然 RL 可以快速反应探测攻击和隐蔽行为，但其部署仍然具有挑战性，因为奖励设计、训练稳定性和连续策略适应会对资源受限的 RSU 造成大量开销。因此，RL 对于自适应控制很有前景，但通常比轻量级监督或混合防御更难操作化。

5.1.4 混合与分层方法

最近的平台结合多种 ML 范式以构建分层安全防御。监督分类器用于特征明确的威胁，无监督检测器监控新兴异常，RL 智能体实时适应防火墙或路由策略。这种多范式设计很有吸引力，因为它更好地匹配 IoV 部署现实。重要的是，没有任何单一学习范式能同时提供稳定的准确性、新异感知和低运营成本。因此，混合系统在不同的 IoV 条件下提供了检测质量、适应性和计算效率之间更实际的平衡 [59, 179, 197, 213]。

5.2 代表性模型与用例

本小节考察了跨入侵检测、异常检测、行为预测和流分类的代表性 ML 模型，强调了泛化、可解释性、开销和鲁棒性。图 13 将这些模型映射到安全功能，而表 8 总结了报告的基准性能。

**表 8. 基于 ML 的研究及其在入侵或不当行为检测中的角色**

| 参考文献 | ML 技术(s) | 焦点 | 角色 |
| :--- | :--- | :--- | :--- |
| [94] | 迁移学习 | IoV 入侵检测 | 跨域适应 |
| [126] | DL + SHAP (夏普利可解释性) | 交通 IDS | 检测 + 可解释性 |
| [77] | 优化的多阶段 ML | 网络入侵检测 | 模型/特征优化 |
| [134] | 自适应 ML 分类器 | VANET 恶意节点检测 | 实时节点筛查 |
| [67] | SVM + 信誉模型，前馈 NN | 车辆不当行为检测 | 联合信任感知检测 |
| [141] | 经典 ML 分类器 | IoV 不当行为检测 | 数据中心的适当行为筛查 |
| [1] | 集成，比较 ML 评估 | 基于异常的 IoT IDS | 模型基准测试 |
| [50] | 半监督深度 RL | 异常流量检测 | 有限标签下的自适应检测 |

*条目总结了每项研究的主要角色。数据集、基线和评估指标在各篇论文之间有所不同。*

**图 13. IoV 背景下 ML 算法与其功能之间的关系。**

5.2.1 分类与过滤

SVM、随机森林和梯度提升机等监督分类器仍然占据主导地位，因为它们在标记基准上表现良好，并且比自适应或无监督方法更容易验证。它们在检测 V2X 通信中的恶意软件注入和重放攻击方面实现了超过 95% 的准确率 [59, 213]。然而，基准准确率往往反映受控分布而不是开放的 IoV 条件。SVM 能处理高维特征，但对调优和可扩展性限制敏感。集成方法在类别不平衡下提高了鲁棒性，但增加了推理成本并降低了可解释性。k-近邻 (k-NN)、朴素贝叶斯和决策树等轻量级分类器仍然对实时 OBU 过滤有用，主要用于边界明确且特征已知的攻击。

5.2.2 异常与离群值检测

无监督模型通过针对零日威胁和协议偏差来补充监督分类器。k-Means 和 PCA 识别车辆遥测中的偏差，而隐马尔可夫模型 (HMMs) 捕获 CAN 消息和信标序列中的时间异常 [179]。它们的主要优势是减少了对标记攻击数据的依赖，这在开放的 V2V 设置中很有价值。然而，异常并不等同于恶意。因此，这些模型面临决策边界弱、阈值敏感和较高误报率的问题，使它们更适合作为早期预警组件而不是独立的执行机制。

5.2.3 入侵检测增强

最近的 IDS 研究通过集成调优、混合管道和迁移学习提高了性能。在贝叶斯优化和半监督强化学习后，据报道入侵检测准确率超过 98% [50, 126]。精度提升也来自多阶段分类器、信誉评分和特征选择 [77, 134]，表明改进越来越取决于管道设计而不是单一分类器。然而，更高的准确性可能会增加训练成本、延迟和集成复杂性。迁移学习通过在与车辆相关的数据集上微调预训练模型来帮助减少标记数据的稀缺性 [67]，但在跨域不匹配下其益处可能会下降。

5.2.4 行为建模与预测

预测建模越来越多地使用诸如 RNN 和 LSTM 网络等感知序列模型来处理传感器和轨迹时间序列 [13, 168]。这些模型捕获时间依赖性，但需要更大的数据集、更多的计算和仔细调优。基于图的模型可以表示动态车辆关系和协作威胁，但其部署仍然受限于建模复杂性、资源需求以及相比轻量级分类器较低的成熟度。因此，当时间或关系上下文对威胁至关重要时，行为建模最有用，而不是用于常规的低成本过滤。

表 8 按技术、安全焦点和报告的在入侵或不当行为检测中的角色总结了代表性的基于 ML 的研究。

5.3 ML 在 IoV 安全框架中的架构集成

ML 在 IoV 安全中的有效部署取决于在 OBU、RSU、边缘网关和云基础设施之间的协调放置。图 14 说明了最近研究中常采用的多层模式。在嵌入式层，OBU 和 RSU 上的轻量级分类器支持从控制消息和传感器数据进行实时异常检测。Ullah 等人 [162] 表明，此类模型可以在毫秒内检测 CAN 总线信号中的异常，从而能够在数据生成点附近触发故障保护。

**图 14. IoV 安全框架中 ML 集成的高级架构。**

在网络层，边缘节点聚合车辆流量并暴露单个节点不可见的流级相关性。Aslam 等人 [13] 表明，在该层进行聚类监督分类可以比孤立的车辆内检测器更有效地识别协调扫描和分布式攻击。在运营层，ML 增强的 SOC 平台集成集成分类器、基于信誉的评分和事件响应工作流，以在更广泛的 IoV 环境中协调警报和缓解措施 [92, 126]。在后端，云服务提供更广泛的威胁可见性，并在更广泛的数据集上重新训练检测模型。正如 Alsharif 等人 [10] 和 Javaid 等人 [81] 所示，云训练模型可以被压缩并推送到边缘，以便在资源受限的 OBU 上部署，而 FL 通过支持全局聚合的本地训练进一步减少了原始数据暴露。

这种分层设计平衡了快速本地响应与更广泛的分析深度。嵌入式和边缘模型更适合低延迟检测，而云级入侵分析支持更广泛的可见性、重新训练和跨域适应。其主要挑战不是 ML 是否能在每一层运行，而是如何在不超出延迟、带宽和隐私约束的情况下分配检测、重新训练和策略协调。

5.4 IoV 安全中的近期进展与新奇 ML 技术

最近的 IoV 安全研究通过联邦学习、对抗训练、基于图的模型、自监督学习和量子辅助推理的早期工作，侧重于适应性、隐私和鲁棒性。Yamany 等人 [26] 和 Cao 等人 [190] 使用联邦学习在不集中原始车辆数据的情况下跨 OBU 和 RSU 训练模型。FL 减少了隐私和带宽成本，但其去中心化也增加了对中毒、非独立同分布数据漂移和不可靠边缘暴露的暴露。因此，其实际价值取决于稳健的聚合、客户端验证和信任管理。对抗训练，包括 GAN 增强的 IDS 管道，提高了对规避和中毒攻击的抵抗力 [23, 197]。然而，这些收益伴随着比轻量级 IDS 模型更高的训练复杂性和较弱的部署成熟度。

上下文感知方法提供了另一个方向。图神经网络对 V2V 关系和协作威胁模式进行建模 [62, 106]，而诸如 RNN 和 LSTM 等感知序列模型捕获车辆遥测中的时间依赖性 [168]。这些模型比静态分类器提供更丰富的行为上下文，但需要更大的计算、数据质量和调优。自监督学习相对更具可部署性，因为它通过前置任务利用未标记的车辆数据 [62]，使其在标记攻击稀疏或延迟的地方很有用。

量子辅助学习仍然是探索性的。Huang 等人 [72] 指出了其在密码分析和异常推断方面的潜力，但实际的 IoV 部署仍然是推测性的。总体而言，这些进展表明从静态检测向主动、隐私感知和上下文敏感防御的转变。

它们的部署就绪程度参差不齐：联邦学习（FL）和半监督学习（SSL）最具可操作性，基于图的方法和对抗性方法前景广阔但负担更重，而量子辅助学习仍是长期的研究方向。

5.5 开放挑战与研究方向
尽管机器学习（ML）驱动的车联网（IoV）安全取得了进展，但实际部署仍受限于数据可用性、模型适应性、系统可扩展性以及协作式、自演化防御的可行性。
以往工作强调了数据可用性和质量：隐私限制、格式不一致和标注成本限制了大规模车联网数据集的获取 [92, 142]。激光雷达（LiDAR）、CAN 总线和 GPS 数据需要专门的预处理，且难以跨平台协调，因此稀缺性既是数量问题，也是可比性问题。合成数据生成和基于模拟的增强可以提高稀有事件的覆盖率，但前提是合成条件必须反映部署现实。模型漂移和适应性同样困难，因为车联网环境是非平稳的。随着攻击者行为、网络状况和流量模式的演变，静态机器学习模型的性能会下降。增量学习和在线强化学习（RL）提供了适应性替代方案，但仍受限于边缘设备的计算能力、内存和验证限制 [142, 197]。
从系统角度来看，可扩展性和部署复杂性仍然是主要的推广瓶颈。Grover 等人 和 Zhao 等人 指出，在移动性和带宽限制下，编排剪枝模型、空中下载更新（OTA）和跨节点一致性是困难的 [64, 207]。最后，协作式和自演化安全很有吸引力但尚未成为常规。联邦学习（FL）、对抗训练和自监督流水线提供了分布式智能，但在被视为部署就绪之前，需要更强的证据来证明其在对抗条件下、实时响应限制和隐私审计要求下的表现 [23, 26, 62, 190]。因此，进展不仅取决于更好的模型，还取决于现实评估、更新治理以及证明自适应防御在车队规模下仍然可靠的证据。

6 车联网安全深度学习：架构、应用与挑战
深度学习将车联网安全推向了超越特征工程机器学习的新高度，通过实时从图像、信号和流量流中提取多尺度模式。其分层表示解锁了自动驾驶的细粒度目标检测、行为预测的序列建模以及高速数据流中的无监督异常发现。

6.1 车联网安全深度学习架构
深度学习架构通过学习高维输入（如图像、时间序列、射频信号和传感器遥测数据）来支持车联网安全。表 9 总结了关键深度学习模型及其车联网安全应用。

表 9.
| 架构 | 优势 | 局限 | 应用场景 |
| :--- | :--- | :--- | :--- |
| CNN | 高图像准确率 | 高计算/内存需求 | 流量监控、障碍物检测 |
| RNN | 时间建模 | 梯度消失 | 轨迹预测、流量分析 |
| AE | 异常检测 | 噪声敏感 | 入侵检测系统（IDS）异常发现 |
| GAN | 数据增强 | 训练不稳定 | 合成攻击数据生成 |

车联网中的深度学习架构：优势、局限与应用场景
卷积神经网络广泛用于空间数据，包括视觉帧、射频信号和雷达输入。Nie 等人 和 Luo 等人 展示了它们在入侵检测、欺骗分类和车牌识别中的效用 [105, 118]。它们的主要优势是高效的局部特征提取，但实际部署通常倾向于紧凑变体，因为较深的 CNN 通常需要卸载到云端或启用 GPU 的路侧单元（RSU）。循环神经网络和长短期记忆网络（LSTM）对 CAN 总线流量和车联网（V2X）通信中的时间模式进行建模。Grover 等人 表明，门控架构保留了基于行为威胁检测的长期依赖 [64]。然而，它们的顺序计算和状态维护可能在严格延迟限制下限制边缘效率。自动编码器（AE）通过标记高重构损失来支持无监督检测。Ashraf 等人 将自动编码器应用于格式错误和恶意的车联网流量 [12]。在实践中，它们的有用性还取决于在变化的交通条件下稳定的重构阈值。
基于 Transformer 的模型和混合 CNN-Transformer 设计捕捉交通日志中的局部和全局模式。Zhu 等人 提出使用基于注意力的建模进行稀有事件检测的 FC-Trans [214]。这些架构对多模态融合和长程依赖处理很有吸引力，但它们的操作负担更重，且对于常规车载单元（OBU）级部署而言，成熟度不如轻量级 CNN 或循环模型。生成对抗网络（GAN）模拟对抗行为并丰富稀有攻击训练数据。Xu 等人 表明，基于 GAN 的痕迹生成提高了泛化能力 [183]。这使得 GAN 在增强方面很有价值，但不如判别式深度学习流水线那样易于运营化。
图 15 说明了典型的深度学习训练流水线，包括前向传播和后向传播、通过 SGD 或 Adam 进行损失优化，以及使用 dropout、批归一化和 L2 范数进行正则化 [88]。总体而言，这些架构提高了检测能力，但它们的实用价值在不同的部署层级中差异显著：紧凑的 CNN、循环模型和选择性自动编码器流水线目前更具边缘可行性，而 Transformer 和基于 GAN 的系统提供了更丰富的建模，但伴随着更高的运行时和维护成本。

图 15. 车联网安全核心深度学习架构：关键角色和应用。

6.2 深度学习在威胁检测和行为分析中的应用
深度学习模型在入侵检测、异常分析和行为建模方面支持车联网安全。本节调查了深度学习增强威胁响应、模式识别和态势感知的关键应用领域。表 9 总结了代表性模型类型，但它们的实用价值在延迟容忍度、数据依赖性和部署成本方面存在显著差异。

6.2.1 入侵和威胁检测。
深度学习模型检测车联网环境中的入侵、欺骗、恶意软件传播和未授权访问。CNN 处理图像和雷达输入以进行监控和车牌验证 [118]，轻量级变体提高了边缘可行性 [105]。RNN 和 LSTM 分析遥测和通信序列以识别时间异常 [64]，而自动编码器检测指示分布式拒绝服务（DDoS）或恶意软件活动的网络流量偏差 [12]。GAN 生成合成攻击痕迹，以提高对稀有威胁的鲁棒性 [183]。然而，在实践中，这些增益并不稳定，紧凑的 CNN 和循环模型更易于部署，而基于 GAN 增强的流水线以提高训练复杂度和降低运营成熟度为代价改善了鲁棒性。

6.2.2 可扩展性和实时性能。
车联网系统从传感器和通信接口生成高速多模态数据。CNN 并行性支持跨流的可扩展处理 [133]，而迁移学习减少了特定领域任务的训练数据需求 [120]。这些方法提高了可扩展性，但实时可行性仍然取决于压缩、硬件支持以及在异构车队中的稳定性，而不仅仅取决于模型准确性。

6.2.3 行为建模和预测分析。
深度学习模型通过建模驾驶行为、交通流和通信模式来实现预测安全。时间序列模型识别与被入侵系统相关的异常行为或通信异常值 [119, 174]。深度学习也集成到自动化响应系统（如 REACT）中 [68]。这些能力提高了响应能力，但其可靠性取决于预测质量在漂移、稀疏标签和变化的交通上下文下是否保持稳定。

6.2.4 减少误报和警报疲劳。
误报仍然是大规模车联网部署的主要限制。深度学习模型，包括自动编码器和基于 GAN 的过滤器，优化异常分数并减少冗余警报 [12]。虽然这种优化可以提高安全运营中心（SOC）的信噪比，但其益处通常取决于阈值选择，并且可能无法在不同数据集或部署域之间干净地迁移。

6.2.5 边缘深度学习的硬件加速。
边缘部署使用 GPU 和神经网络处理器（NPU）来支持实时推理。Wang 等人 报告了使用神经加速器提高延迟和能效 [172]。这些进步使边缘深度学习更加实用，但它们也增加了对专用硬件的依赖，并没有消除在车队中更新、验证和协调深度学习模型更广泛的维护成本。
这些应用表明，在更丰富的上下文或多模态输入实质性改善检测的地方，深度学习最具说服力，但其部署价值仍然取决于这些增益是否值得更高的模型复杂性、硬件依赖性和维护开销。

6.3 轻量级和隐私保护深度学习趋势
随着车联网系统的扩展，深度学习研究旨在实现边缘效率和隐私保护部署。本节区分了部署就绪方向与前景广阔但操作上更沉重的技术。

6.3.1 模型压缩和边缘优化。
最近的工作通过剪枝、量化和知识蒸馏来减小深度学习模型的规模和计算量，以满足车载单元（OBU）和路侧单元（RSU）的延迟和能耗限制 [130, 161]。Bhatia 等人 使用深度可分离卷积和激活稀疏性在受限设备上部署 CNN [21]，而 Luo 等人 通过频谱残差滤波展示了毫秒级异常检测 [105]。这些方法是车联网中最具部署就绪性的深度学习趋势之一，尽管只有当压缩能在目标硬件上产生可测量的运行时和内存增益时，它才有价值。

6.3.2 联邦和协作学习。
联邦学习（FL）通过在路侧单元和车辆间分发训练来降低隐私风险和传输开销。FED-IoV 和 VAN-FED-IDS 在不共享原始数据的情况下实现梯度聚合 [97, 104]。联邦学习对隐私敏感和跨域车联网场景很有吸引力，但其价值取决于在非独立同分布（Non-IID）边缘数据下的鲁棒聚合、同步稳定性和投毒抗性。表 10 总结了它们的协议级贡献。

表 10.
| 参考文献 | 协议 | 传统用途 → 车联网适配 | 影响 |
| :--- | :--- | :--- | :--- |
| [29] | 数字证书 | 网站认证 → 车 - 基础设施身份验证 | 防止欺骗；提升信任 |
| [206] | 非对称加密 | 邮件安全 → 安全车联网握手 | 强认证；增加计算成本 |
| [136] | TLS | 网站通道保护 → 车联网/车 - 基础设施数据完整性 | 阻止窃听；确保机密性 |
| [19] | 对称加密 | 预共享密钥流 → 实时车辆数据加密 | 快速加密；密钥分发挑战 |
| [6] | 防火墙和 IDS | 网络过滤 → 深度包检测（DPI）意识车联网流量检查 | 阻止高级威胁；需要调整 |
| [83] | 区块链 | 财务账本 → 防篡改车联网日志和更新 | 不可变记录；增强信任 |
| [66] | 量子密码 | 未来通信保障 → 抗量子密钥分发 | 不可破解的加密；新兴技术 |

车联网安全协议：从传统到适配用途的演变及核心影响

6.3.3 在线和持续学习。
在线和持续学习通过随着车联网流量和威胁模式的变化更新深度学习模型来解决概念漂移问题。Lim 等人 探索了减少数据收集和响应之间延迟的边缘基增量更新 [97]。这种适应性对于长期部署很重要，但它需要版本控制、自动化验证和回滚机制，以防止不稳定模型在车队中传播。

6.3.4 安全协议创新。
基于深度学习的安全也依赖于支持协议。基于区块链锚定的日志提供了可审计的模型输出轨迹 [212]，而抗量子密码学和安全固件交付旨在连接检测、响应和恢复 [19, 136, 206]。这些进步提高了信任和可审计性，但由于验证成本、互操作性和生命周期管理仍然是主要障碍，它们不如压缩和边缘优化那样部署就绪。
总体而言，最实用的方向是在不过度增加协调开销的情况下降低边缘成本并保护隐私，而依赖协议的设计仍然很重要，但对于大规模车联网部署而言，成熟度相对较低。

6.4 基于深度学习的车联网安全部署挑战与研究机遇
将深度学习集成到车联网安全中，需要在实时条件下平衡架构、计算和监管约束。本节强调了限制车联网中深度学习有效性的主要部署瓶颈，而不是假设性能提升直接转化为可部署的解决方案。表 11 总结了关键限制和缓解策略。

表 11.
| 参考文献 | 挑战 | 解决方案 | 备注 |
| :--- | :--- | :--- | :--- |
| [172] | 延迟增加 | 软硬件流水线优化 | 安全关键；基础设施兼容性 |
| [32, 96] | 计算增加 | 模型剪枝和量化 | 权衡：准确性与大小 |
| [161] | 边缘设备限制 | 边缘优化 AI 加速器 | 需要边缘特定硬件 |
| [130] | 能耗增加 | 低功耗模型设计 | 对电池敏感；轻量级架构 |
| [104] | 数据需求增加 | 联邦学习 | 隐私保护；通信开销 |
| [104] | 可扩展性问题 | 联邦学习 | 同步协议以保持一致性 |
| [208] | 隐私和偏见 | 差分隐私和加密 | 合规关键；偏见缓解 |
| [140] | 持续更新 | 模块化更新框架 | 最小化停机时间；健壮测试 |
| [97] | 模型漂移 | 在线监控和再训练 | 自动化异常检测 |

使用深度学习的车联网安全系统的挑战、影响和解决方案
主要约束是计算效率。CNN 和 RNN 等深度学习模型通常超过车载单元（OBU）的处理能力和功率预算，限制了它们在延迟关键场景中的应用。Chen 等人 和 Prakash 等人 表明，未压缩模型降低了响应能力，超过 100 毫秒的延迟会破坏实时决策 [32, 130, 172]。优化技术，包括量化、剪枝和蒸馏 [96, 161]，以及轻量级架构，如深度卷积和频谱残差滤波器 [105]，提高了可行性。然而，它们的价值取决于这些减少是否转化为目标硬件上稳定的延迟增益，而不仅仅是更小的模型大小。将推理卸载到路侧单元（RSU）可以减少本地负载并实现更快的响应 [64, 119]，但其有效性取决于通信稳定性、调度开销和跨层协调，使其成为依赖上下文的解决方案，而不是通用解决方案。
数据隐私和适应性仍然是紧密耦合的挑战。深度学习需要多样化的训练数据，但监管和专有约束限制了集中化 [208]。FED-IoV 和 VAN-FED-IDS 等联邦学习（FL）框架通过聚合加密更新来解决这个问题 [97, 104]，支持去中心化学习。然而，去中心化扩大了攻击面。在车联网环境中，非独立同分布数据、间歇性连接和参与者流失使得恶意更新难以与良性漂移区分开来。被入侵的参与者可能会在不暴露原始数据的情况下使梯度产生偏差或抑制异常。因此，联邦学习降低了隐私风险，同时增加了模型完整性风险，需要鲁棒聚合、信任感知加权、节点认证、更新级异常筛选和可审计的训练日志。
跨异构设备的可扩展性引入了进一步的约束。车联网部署涉及移动性、间歇性连接和多样化的硬件能力。硬件加速器（例如神经网络处理器（NPU）、图形处理器（GPU）、专用集成电路（ASIC））可以在受限平台上恢复实时推理 [21, 172]，但系统性能同样取决于模型放置、调度和通信协同设计 [151]。因此，可扩展性不仅取决于增加计算，还取决于在异构硬件、连接和工作负载下保持稳定的性能。
基于深度学习的车联网系统还必须支持可信操作。基于区块链的审计跟踪、对抗训练和持续联邦学习等技术提高了可追溯性和弹性 [212]。

然而，这些机制在部署就绪度上有所不同，其中轻量级优化和受控适配更为实用，而完全自主、自防御的深度学习（DL）流水线在现实延迟、漂移和验证约束下缺乏验证。对于生产系统而言，可靠的空中下载更新、防篡改验证和持续韧性测试仍然是必要的。总体而言，关键挑战不在于深度学习是否改善了车联网（IoV）安全，而在于其增益在延迟、可扩展性、能源、隐私和治理的同时约束下是否保持可靠。

7 EC、ML 和 DL 在 IoV 安全中的协同集成

7.1 集成动机

虽然边缘计算（EC）、机器学习（ML）和深度学习（DL）等各项技术单独促进了 IoV 安全的发展，但它们在独立部署时都存在各自的局限性。EC 通过将计算迁移到车载单元（OBU）和路侧单元（RSU）来实现低延迟推理，但其有限的计算能力限制了分析深度 [71, 184]。ML 模型提高了检测精度，特别是针对已知威胁，但在应对零日攻击和对抗性输入时表现不佳 [59, 213]。DL 擅长使用 LSTM 自编码器和生成对抗网络（GANs）等架构捕捉高维模式和时间异常 [12, 118]，但这些增益在车辆环境下受到能源和硬件约束的限制。

结合这些技术的架构可以抵消其各自的约束。EC 为 V2X 安全操作提供低延迟的本地处理，ML 在边缘支持自适应过滤和政策调整，DL 通过高级序列建模和表征学习实现对威胁的更深层次理解。如图 16 所示，这种集成形成了一个封闭的云边安全循环，其中边缘节点执行本地推理、过滤和响应，而汇总的观测数据 和模型更新被传播到更高层进行聚合、重新训练和政策优化。随后，更新后的模型和控制逻辑被重新分发到边缘节点进行后续部署和缓解。这种分层工作流将即时响应本地化，同时保留了 IoV 系统中的全局学习和协调适配。以下小节将探讨这种集成模型、其益处及其运营挑战。

图 16. 用于自适应 IoV 安全的集成云边反馈循环。

7.2 系统架构与集成栈

图 16 展示了一个四层 IoV 安全架构，将 EC、ML 和 DL 集成到一个统一的自适应防御框架中。每一层都贡献互补的优势，支持从实时过滤到全局编排的可扩展流水线。

在边缘层，OBU 和 RSU 执行轻量级异常检测，使用基于阈值的过滤器和统计检查在 100 毫秒以内的延迟窗口内隔离格式错误的包或异常信号模式 [41]。这些初始响应在 ML 层得到增强，其中监督、无监督和强化模型根据流量动态细化警报并调整政策，在已知威胁上实现了超过 90% 的精度 [59, 197]。DL 层处理高维输入，如传感器流和日志序列，使用卷积神经网络（CNN）、循环神经网络（RNN）和自编码器检测隐蔽或高复杂度的威胁。GAN 也被用于通过合成攻击痕迹增强训练 [12, 118]。最后，编排层同步节点更新，管理联邦学习（FL）周期，并根据推断的威胁轨迹实施预测性反制措施 [174]。

这种分层架构使分布式 IoV 系统能够保持低延迟、高精度和强大的协调性。分层设计确保了模块化和韧性，允许每个计算层有效地为主动和可扩展的安全执行做出贡献。

7.3 EC-ML-DL 集成的评估效益与安全影响

EC、ML 和 DL 的综合使用使 IoV 安全系统能够在检测精度、响应能力、带宽效率和系统可扩展性方面取得实质性改进。通过将推理分布在 OBU、RSU 和云层，集成框架实现了端到端的可见性和自适应性。实证评估报告称，基于 EC 的本地过滤将传感器流延迟降低到 120 毫秒以下 [166, 184]，而 ML 分类器以 95–99% 的精度检测流量异常 [59, 213]。DL 层（如 CNN 和自编码器）进一步增强了零日攻击的检测，在具有不同威胁模型的基准数据集上实现了超过 99% 的准确率 [168, 189]。除了准确性之外，集成还带来了实质性的性能提升。通过在边缘本地化推理，往返延迟从超过 500 毫秒降低到约 115 毫秒 [21, 71]，而高效的实现（如模型剪枝和量化）实现了高达 60 倍的能源节省，从而保留了电动汽车（EV）的电池续航 [165]，如表 12 所述。可扩展性益处来自联邦学习和分布式模型更新，这消除了集中式瓶颈，同时符合数据隐私要求 [31, 194]。此外，基于区块链的日志强制防篡改，并使系统为后量子密码韧性做好准备 [24, 212]。

表 12. IoV 中 EC+ML/DL 集成前后的关键指标

| Refs | Metric | Pre (Cloud Only) | Post (Edge + ML/DL) |
| :--- | :--- | :--- | :--- |
| [166] | Response time (ms) | >500 ms | ≈115 ms |
| [166] | Power/Tx Cost | High, continuous TX | ↓60× (local processing) |
| [2] | Accuracy (%) | ≈95.2% | ≈99.2% |
| [160] | Scalability | Poor, centralized | High, distributed |
| [110] | Adaptability | Manual tuning | Automatic reconfig. |
| [148] | Integration complexity | Low; simple setup | High; secure sync |

主动防御是另一个关键优势。基于 DL 的时间序列模型预测入侵激增并触发预发性缓解，如访问限速或节点隔离，减少响应延迟并提高整个车队的韧性 [126]。编排的剧本自动化这些操作，最大限度地减少平均响应时间并提高整体安全准备度 [51]。总而言之，这些结果表明 EC-ML-DL 集成不仅仅是叠加，而是协同的，实现了亚秒级反应时间、隐私保护和单独技术无法独立提供的高检测精度。

7.4 集成挑战与设计考量

虽然 EC、ML 和 DL 的集成增强了 IoV 安全，但也引入了复杂的运营和架构挑战。这些挑战涵盖系统互操作性、生命周期维护和法规合规性，所有这些都必须得到解决，以确保安全、可扩展且符合标准的部署。表 13 总结了近期文献中报告的关键障碍和缓解策略。

表 13. IoV 集成中的关键障碍及简明解决方案

| Refs | Barrier | Solutions and Notes |
| :--- | :--- | :--- |
| [33, 64, 138, 195] | Interoperability | Define unified protocols; test across platforms; ensure backward compatibility |
| [102, 128, 137, 146] | Maintenance and Updates | Automate health checks and patching; schedule regular software/hardware audits |
| [108, 109, 152] | Regulatory | Align with GDPR, CCPA, NIS, NIST; embed compliance checks in workflows |
| [44, 57, 61, 70] | Industry Standards | Standardize data formats and security specs; adopt ISO/SAE 21434; liaise with regulatory bodies |

7.4.1 系统互操作性

集成 IoV 系统通常存在数据粒度和表示的不匹配。边缘层设备发出低维指标，而 DL 模型需要结构化的高维张量。如果没有标准化的转换流水线，这些格式不匹配可能导致误报或警报丢失 [64, 138]。此外，CAN 和 DSRC 等传统通信协议使 AI 驱动集成复杂化，特别是在对齐异构模块输入时 [33]。为了弥合这一差距，近期研究提出了自适应特征转换流水线和符合标准的 API 用于安全模型接口。

7.4.2 模型维护与生命周期管理

安全模型必须不断适应变化的流量模式和不断演变的攻击向量。然而，在分布式节点上保持模型的相关性引入了与更新验证、向后兼容性和运行时完整性相关的风险。Liu 等人 [102] 和 Resende 等人 [137] 强调，同步不良的更新或老旧硬件可能会降低检测精度或中断安全关键功能。新兴的 DevSecOps 流水线通过空中下载推送签名更新，而本地健康监控器检测降级或不匹配的节点 [56, 146]。联邦学习（FL）补充了这些方法，通过启用本地重新训练，减少对集中式数据传输的依赖 [128]。

7.4.3 法规合规与数据治理

集成式 AI 驱动的安全必须在 GDPR、CCPA 和 UNECE WP.29 等全球数据保护法规的约束下运行 [25, 52, 108, 109, 152]。这些要求要求可追溯性、可审计性以及个人数据的最低暴露，特别是针对边缘到云的数据流水线。诸如差分隐私、加密模型共享和联邦推理工作流等解决方案已被提出，以满足法律约束而不损害分析准确性 [195]。使这些策略与不断演变的监管框架保持一致仍然是一个持续的研究和工程挑战。

这些设计考量共同强调了需要同步优化的软硬件栈、生命周期感知更新系统和以隐私为中心的架构，这些架构能够在现实 IoV 约束下可靠运行。

7.5 IoV 安全中的标准化与合规性

将边缘计算、机器学习和深度学习集成到 IoV 安全中，需要与技术标准和监管要求保持一致。如果没有这种一致性，部署将面临互操作性故障、治理碎片化、可审计性薄弱以及不符合网络安全和隐私义务的风险。本小节总结了与集成 IoV 安全最相关的标准和合规机制。

7.5.1 互操作性与框架对齐

IoV 生态系统结合了异构 OBU、RSU、VANET 和 AI 驱动的安全功能，这些功能在不同的通信、控制和 安全协议上运行。诸如 ISO/SAE 21434 等标准为设备、接口和供应商之间的一致性提供了面向生命周期的网络安全指导 [35, 61]。诸如 IEEE 802.11p 等协议级标准进一步支持安全、低延迟的 V2V/V2I 通信，这是协调边缘推理、分布式感知和 AI 辅助控制回路所必需的 [82]。

7.5.2 隐私、可追溯性与法律合规

IoV 平台还必须遵守 GDPR、CCPA 和 UNECE WP.29 等数据保护和网络安全法规，这些法规要求合法的数据处理、安全设计、可追溯性和问责制 [52, 108, 109, 152]。在此背景下，ML 和 DL 技术不应被视为通用的合规启用器，因为每种机制支持不同的监管功能。FL 通过将原始车辆数据保留在 OBU、RSU 或车队域本地，支持数据最小化，减少跨域个人身份信息的暴露。基于区块链或防篡改的日志通过保留边缘到云流水线中模型更新、安全事件和操作决策的可验证记录，支持可审计性。可解释人工智能（XAI）通过帮助操作员检查哪些信号或特征影响了入侵检测系统（IDS）或异常检测的结果，为决策级可追溯性做出贡献，支持事后审查和问责。然而，XAI 本身并不能确立合规性。可审计的 IoV AI 需要将可解释性与安全日志记录、模型版本控制、签名更新来源和人工监督相结合，以便调查员能够重构决策是如何生成和部署的。表 14 总结了对应关系。

表 14. IoV 中 ML/DL 机制与可追溯性相关合规功能的映射

| Mechanism | Primary compliance support |
| :--- | :--- |
| Federated learning | Data minimization; local training; reduced raw-data transfer |
| Tamper-evident logging / blockchain anchoring | Audit trail; provenance; post-incident verification |
| Explainable AI | Decision interpretability; accountability; output traceability |
| Model versioning and signed updates | Model-state reconstruction; deployment traceability |
| Encrypted inference / secure aggregation | Reduced data exposure during training and inference |

7.5.3 安全与实时处理标准

ISO 27001 和 NIST SP 800-53 等网络安全风险管理框架定义了 AI 辅助系统中保密性、完整性和可用性的基线实践 [79, 115]。在 IoV 中，这些控制措施必须与低延迟处理和安全敏感决策路径共存。IEEE P2418.5 和 ISO/TC 307 等新兴标准进一步支持基于区块链的信任管理和防篡改日志记录，使边缘辅助车辆环境中的去中心化问责成为可能 [76, 78]。

7.5.4 走向 AI 特定 IoV 标准

随着 AI 成为车辆安全的核心，未来标准必须解决可解释性、对抗鲁棒性、模型更新治理以及自主决策流水线中的信任问题。因此，文献指向将 AI 生命周期治理与实时车辆约束联系起来的领域特定合规框架，而不是将它们视为单独的关注点 [44, 108]。表 12 和表 13 进一步说明了当前 IoV 部署中性能、隐私和标准符合性之间的权衡。

8 EC、ML 和 DL 在 IoV 中的部署经验与教训

8.1 EC、ML 和 DL 技术的应用案例

EC、ML 和 DL 现在已用于实际的 IoV 部署，而不仅仅是作为概念性的安全工具。表 15 和表 16 总结了代表性的汽车和智慧城市实施案例。

表 15. IoV 安全中的边缘计算案例研究：实体、技术和核心影响

| Ref | Entity | Tech | Impact and Applications |
| :--- | :--- | :--- | :--- |
| [129] | Porsche | FogHorn EC | Multi-factor auth; traffic optimization; predictive maintenance; V2H infotainment |
| [167] | Volvo | EC-driven collision avoidance | Real-time safety decisions; "Safe Space" accident prevention |
| [89] | Barcelona (Smart City) | IoT+EC | Congestion reduction; adaptive traffic lights |
| [36] | Shanghai (Smart City) | Intersection EC | Smooth traffic flow; real-time signal control |

表 16. IoV 安全中的 DL 应用领域

| Ref | Domain | Implementation | Benefit |
| :--- | :--- | :--- | :--- |
| [64, 118, 126] | Network Security | CNN/LSTM monitoring | Ensures comms integrity |
| [153, 177] | Autonomous Vehicles | Sensor-data DL models | Reduces accidents and breaches |
| [63] | Traffic Mgmt | Flow-analysis networks | Minimizes disruptions |
| [54, 147, 169] | Surveillance | Video-analytics CNNs | Improves incident response |

在以车辆为中心的部署中，Porsche 和 FogHorn 使用 EC 模块进行离线多模态生物识别认证、安全无钥匙进入和预测性诊断，而无需持续依赖云 [129]。Volvo 的 Safe Space 系统将车载 EC 应用于融合激光雷达、雷达和相机数据，在 50 毫秒内实现自动制动 [167]。自动驾驶车队也试验了 CNN-LSTM 模型用于障碍物检测和欺骗信号缓解，Waymo 报告称安全性有所提高 [153, 177]。基于 ML 的入侵检测和预测性维护同样正在走向部署：Yang 等人 [192] 和 Adi 等人 [5] 展示了针对零日威胁和故障预测的自适应重新训练。相关示例包括交通流优化 [154] 和入侵检测后的自动车辆隔离 [99]。表 17 总结了这些 ML 案例研究及其主要运营教训。

表 17. IoV 安全中的 ML 案例研究：方法、结果和教训

| Ref | Approach | Outcome | Lesson |
| :--- | :--- | :--- | :--- |
| [192] | Continuous learning framework | Real-time mitigation of simulated attacks | Ongoing model adaptation is critical |
| [5] | Sensor-data predictive modeling | Enhanced safety; reduced downtime | ML adds operational efficiency beyond security |
| [154] | Real-time traffic-pattern analysis | Optimized flow; lower delays | ML supports broader IoV ecosystem management |
| [99] | Automated detection and isolation | Contained threat spread swiftly | Automation dramatically improves response time |

城市和基础设施导向的部署显示出相似的模式。

巴塞罗那、新加坡和无锡使用路口级边缘计算（EC）节点，结合轻量级机器学习（ML）实现自适应信号控制、拥堵减少和自主协调 [36, 89, 210]。维也纳和罗马应用深度学习（DL）驱动的监控，用于可疑活动探测和道路异常检测 [63]，而基于 CNN/LSTM 的入侵检测系统（IDS）平台则监控 CAN 流量和 V2X 日志以发现异常行为 [64, 118]。集成的 EC-ML-DL 部署结合了这些优势：EC 结合轻量级 ML 已支持车载入侵响应，并在车队试验中降低了网络攻击成功率 [205]，而 EC 增强的 RNN 和 RL 模型已在路口保护 V2X 通道，报告的响应时间低于 100 毫秒，并改善了威胁隔离 [101, 168]。综上所述，这些案例表明，智能车联网（IoV）安全在本地推理、自适应学习和云边协调与具体车辆或基础设施约束相匹配的地方最为成熟。

8.2 真实世界部署的经验教训

真实世界部署突出了 EC、ML 和 DL 赋能的 IoV 安全的三个反复出现的要求：低延迟本地响应、持续适应和可部署的治理。

首先，边缘处理对于实时保护至关重要。在车辆和基础设施场景中，100 毫秒以下的响应主要通过本地 ML 过滤和 DL 推理实现，这减少了云依赖、带宽使用以及敏感数据的暴露 [64, 167, 168]。

其次，保护必须在部署后适应。再训练管道、自动更新和联邦学习（FL）框架有助于应对不断变化的交通模式和对抗性行为 [61, 192]。然而，适应必须是硬件感知的：车载单元（OBU）级平台需要结构化剪枝、低位量化、紧凑模型或拆分推理，而路侧单元（RSU）可以在不那么严格的功耗和内存限制下支持更重的模型和混合精度执行 [146]。

第三，规模化引入了互操作性和治理约束。异构的电子控制单元（ECU）、RSU 和云服务需要标准化的数据格式、通信协议和安全 API 以实现协调防御 [8, 205]。隐私保护分析和端到端加密对于监管合规和用户信任仍然是必要的 [159]。因此，实际的 IoV 安全不仅取决于检测精度，还取决于模块化、可解释性、硬件适配和监管对齐。

9 未来方向与研究机遇

AI 赋能的 IoV 系统在扩展防御能力的同时，也扩大了攻击面并收紧了部署约束。关键的研究挑战不再是 AI 是否改善 IoV 安全，而是在严格的延迟、资源和治理限制下，哪些入侵检测、隐私保护和信任机制的组合可以运作。表 18 总结了主要未解决的挑战，包括精度、延迟、投毒韧性、可解释性和部署可行性之间的权衡。

表 18. AI 赋能 IoV 安全的研究领域：核心挑战与关键问题

| 领域 | 核心挑战 | 关键研究问题 |
| :--- | :--- | :--- |
| 部署感知与跨层安全架构 | 计算效率；拆分推理；编排稳定性；异构硬件；在移动性和丢失下的验证 | 一个跨层策略能否在 OBU 和 RSU 上维持高精度、100 毫秒以下的响应和实际的能效？ |
| 可解释和可审计的安全 AI | 运行时可解释性；监管有意义审计；溯源跟踪；回滚和治理 | IoV IDS 如何在不暴露专有模型或违反边缘延迟限制的情况下提供可审计的、监管有意义的解释？ |
| 鲁棒且保护隐私的协作威胁情报 | 对抗鲁棒性；投毒抵抗；隐私泄露；跨域信任；及时的车队规模共享 | 协作威胁情报如何能在车队规模上保持及时、可审计、抗投毒和隐私保护？ |
| 下一代密码学 | 后量子过渡；握手延迟；验证成本；安全推理开销；与遗留 V2X 的互操作性 | 混合后量子认证和安全推理能否在不超过受限 OBU 和遗留 V2X 栈的情况下部署在车辆延迟预算内？ |

9.1 部署感知与跨层安全架构

边缘神经网络处理单元（NPU）可以在严格的功耗预算下提供数 TOPS 的性能，但在密集交通中，全精度 DL 模型仍然超出了许多 OBU 的计算、内存和热限制。因此，压缩是一项部署要求，而不仅仅是一种优化。结构化剪枝、低位量化、紧凑主干和知识蒸馏是 OBU 级硬件最实用的选择，因为它们可以减少延迟和内存开销，同时保持与嵌入式运行时的兼容性。RSU 可以支持更大的模型、混合精度执行或拆分推理，但其收益仍然受限于带宽变化性和同步成本。

未来的 IoV 安全架构必须协调车辆、RSU、边缘服务器和云后端之间的感知、推理、再训练和信任执行，而不是单独优化每一层。近期的进展更有可能来自部署感知的压缩、拆分推理、事件触发的执行和简化的编排策略，而不是越来越大的端到端模型。在车辆、RSU 和云层级之间完全自适应的分区，结合动态资源平衡和端到端密码协调，仍然很有前途，但在移动性、数据包丢失、异构硬件和认证约束下更难验证。

开放问题。一个跨层部署策略能否在不牺牲协调可靠性的情况下，联合维持高精度检测、100 毫秒以下的响应和在异构 OBU 和 RSU 硬件上的实际能效？

9.2 可解释和可审计的安全 AI

不透明的 IDS 决策在安全关键环境中很难证明其合理性，尤其是当误报可能阻塞合法的车辆功能时。因此，监管压力正在将评估从单纯的检测精度转向可审计的决策管道，以支持事件审查、问责和模型治理。

未来的工作应优先考虑轻量级解释、模型溯源和回滚机制，这些机制在边缘延迟预算内运作。反事实分析和区块链锚定溯源对于取证重构很有用，但前提是它们必须保持可解释、低开销，并与专有部署约束兼容。因此，当可解释人工智能（XAI）与日志记录、版本控制和人工审查工作流配对时，而不是作为独立的合规解决方案对待时，它才最具可信度。

开放问题。XAI 赋能的 IoV IDS 如何在不暴露专有模型或违反边缘延迟限制的情况下，提供可审计的且监管有意义的解释？

9.3 鲁棒且保护隐私的协作威胁情报

对抗补丁攻击、CAN 总线投毒和成员推理表明，IoV 安全模型不仅可能因精度降低而失败，还可能因被操纵的置信度、腐败的训练信号和隐私泄露而失败。在协作环境中，移动性、非独立同分布（非 IID）数据、间歇性参与和跨域信任使得区分良性漂移和恶意行为变得更加困难。集中式安全运营中心（SOC）管道也在应对车队规模遥测方面面临困难，而碎片化的原始设备制造商（OEM）和运营商平台限制了跨域威胁可见性。

因此，近期的防御应强调轻量级对抗训练、鲁棒联邦聚合、隐私保护更新、分层联邦 IDS 和标准化威胁共享格式，这些格式在减少原始数据暴露的同时提高态势感知。更雄心勃勃的机制，包括基于区块链的激励和完全自动化的智能合约修复，仍然有用，但在运营上更重，尤其是在延迟、政策争议和链增长必须严格控制的地方。主要挑战不是共享更多情报，而是以足够的信任、时效性和治理来共享它，使其在攻击下仍然有用。

开放问题。跨域威胁情报如何能在车队规模上保持及时、可审计、抗投毒和隐私保护，同时不引入过多的协调或延迟开销？

9.4 下一代密码学

传统的公钥方案可以满足当前的延迟要求，但它们不能提供长期的后量子保证。因此，IoV 系统需要密码敏捷性，而握手、存储或验证成本不超过车辆边缘预算。

基于格的签名和混合后量子方案变得越来越相关，因为最近的实现，包括在 Cortex-A55 类处理器上的验证，正接近部署可行性。高效的同态推理和混合凭证设计对于隐私保护入侵检测也很有前途，但近未来的采用可能仍然局限于选定功能，除非验证成本、密钥大小和互操作性得到改善。

开放问题。混合后量子认证和安全推理能否部署在车辆延迟预算内，而不压倒受限的 OBU 和遗留 V2X 栈？

应对这些挑战将更少依赖于孤立的算法增益，而更多依赖于在延迟、隐私、鲁棒性、可审计性和密码持久性之间可信的部署权衡。

10 结论

在本综述中，我们考察了 EC、ML 和 DL 技术，单独及协同工作，如何应对 IoV 的独特安全挑战。EC 带来了关键的超低延迟、本地化处理，缩小了攻击面并实现了实时异常过滤。ML 贡献了自适应的、数据驱动的已知和新型威胁检测，而 DL 则解锁了高维模式识别，用于细微或零日攻击签名。我们的比较分析表明，没有任何单一技术足够：只有分层的 EC-ML-DL 堆栈才能提供 10 毫秒以下的响应、> 99% 的检测精度以及可扩展的、隐私保护的操作。来自汽车 OEM 和智能城市的真实世界案例研究证实了这些集成的可行性和好处：保时捷的无钥匙边缘认证、沃尔沃的毫秒级碰撞避免、巴塞罗那的自适应交通控制以及自动驾驶汽车中的车队级入侵屏蔽。经验教训强调了稳健的数据治理、可互操作的协议和持续的模型适应的重要性，以跟上不断演变的威胁。此外，IoV 安全必须克服资源约束、确保可解释性，并实现对对抗性和量子时代攻击的韧性。有前途的研究途径包括联邦和事件驱动的边缘学习、针对 V2X 的后量子密码学以及基于区块链的模型完整性审计轨迹。通过描绘这些方向，我们旨在为研究人员和从业者提供路线图，以构建下一代安全、高效和智能的 IoV 系统，具备保障互联交通生态系统的能力。