基于生成式人工智能的、能够保障安全与隐私的多源数据融合技术，用于智能交通系统
摘要智能交通系统（ITS）利用来自汽车、道路基础设施及用户的各种数据，提升交通的安全性、效率与智能化水平。然而，由于整合了物联网传感器数据、GPS轨迹、监控信号以及车辆远程信息处理等多种数据源，这些系统容易面临诸多安全与隐私威胁，比如数据污染、基于推理的攻击、未经授权的特征分析以
智能交通系统（ITS）利用来自汽车、道路基础设施及用户的各种数据，提升交通的安全性、效率与智能化水平。然而，由于整合了物联网传感器数据、GPS轨迹、监控信号以及车辆远程信息处理等多种数据源，这些系统容易面临诸多安全与隐私威胁，比如数据污染、基于推理的攻击、未经授权的特征分析以及个人数据泄露等问题。目前的解决方案通常都是单独应对这些挑战，且多采用集中式或部分去中心化的架构，这限制了系统的可扩展性与抗灾能力。为解决这些问题，本文提出了一种基于生成式人工智能的新模型，用于在保障安全与隐私的前提下实现ITS领域的数据融合。与以往的模型不同，该架构将联邦学习、差分隐私、生成模型以及区块链技术整合为一个统一的去中心化安全系统：联邦学习能够在不传输原始数据的情况下实现模型的协同训练；差分隐私则是对信息泄露的一种正式约束机制；在非独立同分布数据条件下，生成模型不仅能提高系统对虚假数据的抵御能力，还能实现异常检测功能；区块链则能够确保在数据汇总过程中信息不会被篡改，同时提供透明的审计机制，让各参与方之间能够相互信任。这种多种技术的紧密结合，使得该系统能够同时抵御数据污染、模型逆向分析以及成员推断攻击，而目前关于ITS数据融合的研究尚未充分考虑到这一问题。在i-VANET、ToN-IoT和CIC-IDS 2017这三个基准数据集上的测试显示，该方法的平均分类准确率分别达到了97.21%、97.75%和96.66%。在检测精度、隐私保护以及安全性方面，该方案均优于现有的最佳解决方案，表明其具备良好的实用价值，可用于实际的智能交通系统中，并且有多种应用方式。