
-
生物通官微
陪你抓住生命科技
跳动的脉搏
区块链与联邦图强化学习融合的智能电动汽车安全网络框架
《Scientific Reports》:Blockchain-assisted IoT-based smart electric vehicle network for secure data sharing and authentication
【字体: 大 中 小 】 时间:2026年09月20日 来源:Scientific Reports 4.9
编辑推荐:
摘要大量电动汽车(EVs)现已接入物联网(IoT)网络,在数据安全共享、去中心化身份认证管理、隐私保护和信任管理等方面带来了诸多挑战。然而,传统的集中式方案容易受到数据篡改、欺骗攻击、未授权用户访问等问题,且系统可能因单点故障而变得脆弱,从而降低智能交通系统的可靠性和可扩展性
大量电动汽车(EVs)现已接入物联网(IoT)网络,在数据安全共享、去中心化身份认证管理、隐私保护和信任管理等方面带来了诸多挑战。然而,传统的集中式方案容易受到数据篡改、欺骗攻击、未授权用户访问等问题,且系统可能因单点故障而变得脆弱,从而降低智能交通系统的可靠性和可扩展性。上述挑战促使本文提出了一种区块链辅助联邦图强化学习(BFGRL)框架,用于实现安全且可扩展的智能电动汽车网络。在所提出的框架中,采用PUF-ECC技术实现轻量级且抗篡改的车辆身份认证,利用图注意力机制(GATs)建模复杂的交互关系,通过联邦学习(FL)实现隐私保护的去中心化信任评估,并使用近端策略优化(PPO)优化车辆验证和区块链共识。该框架包括三个部分:去中心化身份认证、具备智能信任与隐私机制的安全数据共享,以及基于区块链共识优化的高效交易处理。本文提出的方法以VeReMi车载安全数据集以及基于区块链的电动汽车网络的各种模拟场景为基准进行了测试,并与文献中已有的区块链认证、联邦学习及信任管理方法进行了对比。实验结果表明,该框架在认证准确率(99.2%)、攻击检测率(98.7%)、数据完整性得分(99.5%)、隐私保护(98.4%)、可扩展性(97.2%)和交易吞吐量(5200 TPS)等方面均优于现有基线方法,且具有统计学显著差异(p?<?0.05)。所提出的框架在认证和共识操作中的平均计算开销为41毫秒,可满足实时应用需求。结果表明,BFGRL是一种隐私保护性强、高效且可靠的解决方案,适用于智能交通系统和下一代智能电动汽车系统。在受控模拟环境中进行的实验表明,BFGRL能够有效提升区块链辅助智能电动汽车网络中的安全性、信任管理、可扩展性和运营效率。这些结果表明其在智能交通应用中具有广阔的前景,但仍需进一步开展基于真实车载通信数据的测试和现场试验,这也是未来的重要研究方向。