动作中的注意力：基于Transformer的安全车队编队
密码学与安全
2025-12-24 v2 人工智能
机器学习
网络与互联网体系结构
摘要
车队编队通过 Vehicle-to-Everything (V2X) 通信实现多车编队协调，承诺在交通效率和安全性方面实现变革性改进。然而，车队协调的分布式 nature 使其暴露于安全漏洞，允许经过身份验证的车辆注入伪造的运动学数据，破坏运行稳定性，威胁乘客安全。传统的误行为检测方法依赖于合理性检查和统计方法，易产生高假阳性率，无法捕捉多车协调动态中固有的复杂时序依赖关系。我们提出 Attention In Motion (AIMformer)，一个专为实时车队误行为检测设计的基于Transformer框架，具备边缘部署能力。AIMformer 利用多头自注意力机制同时捕捉车辆内部时序动力学和车辆间空间关联。它融合全局位置编码与车辆特定时序偏移，以处理加入/退出机动。我们提出 Precision-Focused Binary Cross-Entropy (PFBCE) loss 函数以惩罚假阳性，满足安全关键车辆系统的要求。广泛的评估覆盖 4 种车队控制器、多种攻击向量和多样化的运动场景，显示出优于基于Transformer框架的性能（≥0.93）。综合的部署分析利用 TensorFlow Lite (TFLite)、Open Neural Network Exchange (ONNX) 和 TensorRT 实现亚毫秒推理延迟，适用于资源受限的边缘平台。因此，AIMformer 适用于车辆内和路边基础设施部署。
关键词
引用
@article{arxiv.2512.15503,
title = {Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection},
author = {Konstantinos Kalogiannis and Ahmed Mohamed Hussain and Hexu Li and Panos Papadimitratos},
journal= {arXiv preprint arXiv:2512.15503},
year = {2025}
}
备注
16 pages and 10 figures