《Frontiers in Artificial Intelligence》：Enhancing ZTMAF through federated trust learning, post quantum cryptography integration and seamless cross domain authentication handover
编辑推荐：
车联网雾计算（Vehicular Fog Computing，VFC）在智能交通系统（Intelligent Transportation Systems，ITS）中促进低时延和实时通信方面发挥着重要作用。然而，考虑到车联网的动态特性，在信任管理、安全性和跨域
车联网雾计算（Vehicular Fog Computing，VFC）在智能交通系统（Intelligent Transportation Systems，ITS）中促进低时延和实时通信方面发挥着重要作用。然而，考虑到车联网的动态特性，在信任管理、安全性和跨域认证方面仍存在重大问题。零信任移动感知认证框架（Zero-Trust Mobility-Aware Authentication Framework，ZTMAF）已被提出以克服信任管理、安全性和跨域认证中的问题。尽管如此，在分布式智能、信任传输和切换方面仍存在重大问题，这些问题已在所提出的框架中得到解决。所提出的框架通过三项主要进展扩展了ZTMAF：联邦信任学习（Federated Trust Learning）、受后量子密码（Post-Quantum Cryptography，PQC）启发的安全传输（PQC-inspired Secure Transmission）和跨域认证切换（Cross-Domain Authentication Handover）。所提出的框架利用雾节点在分布式环境中训练信任模型，从而实现可扩展性和隐私保护。此外，将采用受后量子密码启发的加密技术用于安全的信任传输，并保持与未来后量子加密标准的兼容性。基于令牌的切换机制将允许车辆利用先前验证的信任，从而降低跨域认证中的时延。所提出的框架已通过多种模拟场景进行验证，并针对不同类型的攻击（如隐蔽攻击、开关攻击、女巫攻击）评估其性能。评估结果表明，信任稳定性得到改善，基于行为的攻击检测得到提升，并且基于令牌的切换机制将认证时延降低了45%。所提出的框架为下一代车联网提供了一种安全且可扩展的解决方案，并为过程中女巫攻击检测相关问题提供了见解。
一、研究背景与问题
随着车联网与雾计算的深度融合，智能交通系统（ITS）对实时通信、低时延和高可靠性的需求日益迫切。车联网雾计算（VFC）使车辆能够将计算和通信任务卸载至周边雾节点，广泛应用于碰撞规避、交通管理和自动驾驶辅助等场景。然而，车辆的高机动性、连接的不稳定性以及异构信任域的存在，构成了显著的安全挑战。传统认证方法（如公钥基础设施（PKI）和基于区块链的系统）在VFC环境中面临计算开销大和区块链共识机制导致时延高等问题。为克服上述挑战，研究者提出了零信任移动感知认证框架（ZTMAF），采用零信任模型，基于情境和行为特征对每个节点进行持续认证。然而，ZTMAF仍存在若干局限：其一，局限于本地化信任计算，无法利用多个雾节点的共享知识；其二，缺乏对信任值传输的强保护；其三，车辆进入新雾域时需重复认证；其四，评估仅限于基础攻击类型，未充分展示隐蔽攻击和开关攻击等复杂攻击的影响。因此，开展本项研究旨在通过联邦学习、信任值安全传输和多雾域认证复用，克服ZTMAF的上述局限。
二、研究内容与结论
研究人员提出了ZTMAF+框架，在原始ZTMAF基础上整合了四项实现级增强：联邦信任学习使多个雾节点在不交换原始车辆数据的情况下协同训练信任模型，提升可扩展性并保护隐私；受后量子密码（PQC）启发的安全信任传输层通过模拟抗量子机制保护信任信息通信，但不声称实现完整的后量子密码方案；跨域认证切换机制使已认证车辆可利用可复用信任令牌在相邻雾域间无缝迁移，降低认证时延和计算开销；时间信任计算将历史行为信息纳入信任估计，增强对动态和复杂攻击的鲁棒性。通过多种模拟场景验证，结果表明信任稳定性得到改善，基于行为的攻击检测能力提升，令牌切换机制使认证时延降低45%。同时，研究也指出身份型攻击（如女巫攻击）的检测仍是未来研究的重要方向。
三、主要关键技术方法
研究人员采用集成模拟环境，包括SUMO、NS-3、Python和TraCI。SUMO用于生成真实车辆移动轨迹，NS-3模拟车对车（V2V）和车对基础设施（V2I）通信网络，TraCI作为SUMO与NS-3之间的通信接口，实现车辆位置、移动事件和网络行为的实时同步。框架核心方法包括：基于加权行为参数（速度、加速度、规则遵从度、数据包投递率）的信任计算模型，采用时间平滑机制降低短期波动敏感性；基于逻辑回归的联邦信任学习，雾节点本地训练模型并通过联邦平均聚合全局参数；受PQC启发的安全传输层模拟加密-传输-解密流程；基于哈希函数的令牌生成与跨域认证复用机制。
四、研究结果
4.1 信任计算模型：研究人员构建了基于上下文向量的动态信任评分机制，将速度、加速度、规则遵从度和数据包投递率作为输入参数，通过加权组合计算原始信任值，并引入时间平滑因子α控制历史信任的影响，有效降低对短期波动的敏感性。
4.2 联邦信任聚合：各雾节点利用本地数据集训练逻辑回归分类器，通过联邦平均算法聚合全局模型参数，实现多雾节点协同学习，提升模型泛化能力，同时避免直接数据共享以保护隐私。
4.3 安全信任传输：通过受PQC启发的加密与解密函数模拟信任值的安全传输流程，确保传输过程的机密性和完整性，验证了未来集成后量子密码机制的可行性。
4.4 认证决策逻辑：基于全局模型输出的预测概率与预设阈值τ比较，概率低于阈值判定为ACCEPT（良性车辆），高于或等于阈值判定为REJECT（恶意车辆）。
4.5 跨域切换机制：当车辆的前序雾节点与当前雾节点不同时触发切换，有效令牌允许车辆复用先前信任值而无需完整重新认证，显著降低认证时延和计算开销。
五、讨论与结论
研究人员通过对比原始ZTMAF与ZTMAF+，系统总结了框架在信任计算、学习策略、信任传输、认证切换、隐私保护、可扩展性和攻击处理等方面的改进。与传统PKI认证、区块链信任模型和机器学习信任框架相比，ZTMAF+在联邦学习、PQC支持、跨域切换、高级攻击评估和零信任认证方面均具有综合优势。研究结论表明，所提出的ZTMAF+框架通过联邦信任学习、受PQC启发的安全传输、跨域认证切换和时间信任计算的集成，显著提升了车联网雾计算环境中的认证效率、信任鲁棒性和可扩展性，为下一代车联网提供了一种安全且可扩展的解决方案。研究同时指出，女巫攻击等身份型攻击的检测仍是未来研究的重要方向。
