阅读论文“用于车联网安全车载通信的机器学习技术“的学习笔记

前言
论文全称为Machine Learning Technologies for Secure Vehicular Communication in Internet of Vehicles: Recent Advancesc and Applications
智能交通系统（ITS）和计算系统的快速发展为智能交通安全提供了新的科学研究，并提供了舒适和高效的解决方案。人工智能（AI）已被广泛用于优化不同研究领域的传统数据驱动方法。机器学习 （ML） 负责广泛的 AI 应用程序。 ML 技术是无监督学习、监督学习和强化学习。在无监督 ML 方案中，训练依赖于未标记的数据。它试图找到未标记数据的充分表示形式。而在监督学习中，它从一组标记的数据中学习。在监督学习中，回归和分类方案训练离散和连续数据进行预测和决策。强化学习 （RL） 从学习代理的活动开始研究一致的奖励，以利用累积奖励的概念。

背景
大多数车辆网络的一般形式被称为车辆自组网（VANET）。VANET由车对车（V2V）和车对路边（V2R）通信组成，用于传输车辆信息。+e VANET的通信依赖于路边单元（RSU）来支持车载环境中的无线接入（WAVE）。道路沿线的路边单元 （RSU） 充当无线接入点，支持与其覆盖区域内的车辆进行通信 。+E混合车载网络架构，与蜂窝通信架构交互，将在协作中运行蜂窝通信服务，即语音。由于当前将车辆网络连接到信息中心的趋势以及交换数据的需要，车联网允许在道路车辆之间实现互联网接入。车联网的基本应用之一是改进VANET的功能，以减少城市交通和事故环境中的各种问题。车联网使车载道路网络能够与不同的无线网络技术互连，即用于 V2I 的 Wi-Fi 和 4G/LTE、用于 V2V 的 IEEE WAVE 和V2R、用于 V2S 的 MOST/Wi-Fi 和用于 V2P 的 CarPlay NCF.

车联网中的人工智能方法
AI技术更多地与车联网分层架构中负责呈现和功能的层相关。虚拟云基础设施的一个术语可以描述这一层，负责存储、处理、分析从车联网接收到的信息，并根据分析的信息做出决策。基于AI的+e云服务器使能流程，在实时（RT）海量数据流量中开发AI，为智能客户服务提供明智的决策。车载信息物理系统（VCPS）被认为是一种车载网络模型，涉及使用下一代互联网传播信息。VCPS依靠人工智能技术，利用雾和云计算为民用和安全应用提供对海量数据流量的智能处理。ML的使用提供了一种与车联网环境交互的方式，并能够创建一个智能体，该代理可以学习具有挑战性的因素，以优化整体车联网网络利用率。Q-learning 和深度神经网络是 ML 算法，旨在根据学习到的 IoV 资源操作做出决策。在车联网网络架构中，人工智能在分离层中的呈现负责虚拟云基础设施。+e AI层充当信息管理大脑

图1显示了车联网系统中通过传感器节点进行多媒体通信的结构。其结构由车联网数据和信息网络技术和模型的三个主要部分组成。+e 数据和信息网络技术和模型与中央服务器一起重新开发。+e 通过自适应和智能无线通信在整个车辆中传输紧急和敏感数据来执行各部分之间的车间和车内网络连接。+e 车辆的客户端启用 QoS 监控

基于智能车联网边缘的算法
在车联网中，边缘信息系统（EIS）发挥着至关重要的独特作用。它能够帮助智能汽车的关键功能，从数据采集和数据处理到驱动。网络边缘的数据处理可以满足关键任务的低时延要求，节省大量的通信带宽。+e AI边缘车联网通常具有较高的路况空间定位、地图信息和交通状况的时间定位。相反，随着感知数据的大，智能汽车面临着巨大的计算负担车联网边缘AI架构，依靠协同缓存，高效驱动边缘计算资源，管理边缘计算策略。这种基于边缘的 AI 架构可以使用深度 ML 算法进行高效的 IoV 资源管理。与系统实用性相关的其他考虑因素包括车联网网络移动性和车辆/RSU的切换机制。

人工智能使用数据驱动的方法，可以更有效地处理少量和多媒体数据。 V2X 方案基于车辆到基础设施 （V2I）、车辆到车辆 （V2V）、车辆到自身 （V2S）、车辆到行人 （V2P） 和车辆到道路侧单元 （V2R） 之间的信息共享。V2X是一种用于车载网络的评估技术。

车联网中的机器学习算法
在车联网应用中，强化学习 （RL） 将提供指导行为，以提高弹性和可扩展性。它可以在车联网网络中提供路径选择或路线优化。在车联网中使用 ML 与软件定义网络 （SDN） 可以确保最小化延迟和吞吐量最大化作为运维策略。ML和SDN将共同提高车联网网络性能，提供稳定和卓越的路由服务.许多ML方案可用于车联网中的边缘缓存。它提供了相对正确的缓存决策、车联网流量水平的分类预测以及监督学习中的内容需求。无监督学习可以应用于边缘缓存设计，方法是根据数字的行为和数据请求历史信息将数字的车辆聚类到不同的组中。+e 基于ML的聚类方案可以根据整个车组的利益或社会关系来预测数据需求。

深度强化学习（RL）将为车载边缘计算提供智能卸载系统。深度遥控与车载边缘计算的集成有助于安排卸载请求和分配车联网网络资源。深度RL优化了车联网的调度和资源分配，以最大限度地提高QoE。在车联网中，车辆计算与其可用 RSU 相关的效用值，并将卸载请求传递给路边站。

面向6G的安全车载网络
车辆网络的攻击和恶意活动会造成深思熟虑的损害，威胁乘客在车内的安全并影响网络性能。+e 车辆系统通常需要在基于 ML 的安全方案中承受许多严重的压力。
车辆系统最关键的参数之一是车辆节点和网络动态的高移动性。节点之间的通信经常中断，使得系统安全和身份验证非常困难
车联车 （V2V） 拓扑结构由不同的节点和动态网络构成，其中注入了各种网络资源。+E 的主要挑战是研究车辆之间的不同资源，以保证安全性和身份验证方案。
车联网节点数量快速增长。在不久的将来，车辆中的+节点可能会连接到庞大的物联网网络。+应该，目前没有一个全球团体或机构为如此庞大、快速变化的网络提供安全保障。
在互联网网络中，尤其是在物联网和车联网中，隐私和安全之间总是存在妥协。在车联网中，车载节点的认证和保密性通常由安全算法设计和建模。如果没有数据隐私保证，安全方案通常需要资源来区分和区分流数据中的异常和错误
车载网络的互联网需要瞬时处理来应对快速动态变化的网络，即新闻广播、快速救援和避免事故。这种网络需要车载网络互联网的快速响应要求，如低时延通信信道和实时防范攻击技术
车联网的身份验证算法对于网络和通信的安全目的至关重要。有几项研究涉及确定车辆身份的证书概念。其他研究使用匿名凭据，并为车辆指定了一个未知身份的车联网区域，允许安全地访问它，并有可能隐藏信息。通过指定未知身份，采用隐藏车辆信息机制，以防任何试图窃取车联网车辆信息的恶意车辆的攻击

结语
机器学习与车联网结合使用，可在通信和计算中提供高性能，以实现高效的控制、管理和决策过程[92,97]。ML允许提取大感官数据，以更好地了解与车联网和周围环境相关的一系列问题，并能够做出关键的运营决策。它还承诺很快将升级车辆网络的性能，并使其与其他物联网应用程序更具交互性。在车联网中使用ML可以实现网络和物理组件之间的交互，并可以显著提高流程和系统的效率和可靠性[97]。此外，机器学习提供了智能解决方案，以增强在发生网络攻击时的决策能力。
机器学习 有助于分析车联网中的大数据，从而实现智能预测和决策。已经指出了使用ML提高车联网性能的各种潜在应用。ML技术为解决高密度车联网拥塞问题提供了有益的解决方案，以实现优质的服务和体验。此外，还讨论了在网络管理和控制、数据流、站点预测和跨通信网络不同层的资源工具中应用机器学习技术的范围。一般来说，我们发现，在大多数自动化学习应用程序中，性能取决于可用的数据量，并且必须足够大。近年来，并行计算能力和机器学习方法被开发出来，用于构建车联网的智能集成系统。开发可以构建具有巨大并行处理能力和能源效率的智能系统，为与车联网相关的各种操作准备解决方案，例如多维信号/图像处理和无线通信。