面向智能交通系统入侵检测的机器学习模型比较分析
密码学与安全
2026-05-04 v1 机器学习
摘要
AI驱动的边缘计算安全正将Intelligent Transportation Systems (ITS)从被动的基于规则的防护转向主动的、智能的、零接触的、自足的防御机制，以毫秒级中和威胁。随着交通变得更加互联，涉及大规模IoT、先进5G用于车联网 (V2X) 连接，AI边缘计算节点在保护免受高级威胁、实现URLLC (超低时延通信)用于智能交通以及提升基础设施能力和安全方面发挥着关键作用。本研究应用边缘计算以提高延迟、带宽效率和服务响应性，通过将处理靠近设备、网关和用户来实现。然而，这一转变也扩大了网络攻击面，因为边缘节点是分布式的、异构的，并且往往资源受限。该论文提出了一种信任感知的联邦混合入侵检测框架，其中在每个边缘站点学习随机森林、决策树和线性SVM网络，以学习互补的流量表示，而服务器执行信任感知的本地模型更新聚合。
引用
@article{arxiv.2605.00279,
title = {A Comparative Analysis of Machine Learning Models for Intrusion Detection in Intelligent Transport Systems},
author = {Zawad Yalmie Sazid and Robert Abbas and Sasa Maric},
journal= {arXiv preprint arXiv:2605.00279},
year = {2026}
}