[论文解读] A systematic literature review on Internet of Vehicles Security
本篇系统性文献回顾识别了车联网（IoV）中的主要安全威胁，包括欺骗攻击、隐私泄露及验证攻击，并评估了密码学、区块链、边缘智能与联邦学习等解决方案在提升身份认证、数据完整性和机密性方面的作用。研究结论表明，基于人工智能的去中心化方法（如联邦学习与区块链）可显著提升IoV安全性，同时实现极低延迟与强大的数据保护能力。
The Internet of Vehicles IoV commonly referred to as connected automobiles is a vast network that connects various entities including users sensors and vehicles They will connect across a network to lessen traffic accidents and improve both the security and safety of smart vehicles The Internet of Vehicles is subject to a wide variety of threats including spoofing attacks recognition attacks privacy attacks and verification attacks Our the primary concern when creating any new smart gadget is the users safety which will be improved by identifying solutions to the various cyber threats Therefore we will cover the security of smart automobiles in this literature review including their attacks and solutions.
研究动机与目标
- 识别并分类车联网（IoV）中普遍存在的安全威胁，包括欺骗攻击、隐私泄露及验证攻击。
- 评估现有IoV系统安全解决方案的可行性与有效性。
- 分析区块链、联邦学习与边缘智能等新兴技术在提升IoV安全与性能方面的潜力。
- 为未来IoV安全研究提供结构化的研究议程，重点关注通信效率、燃油优化与交通管理。
- 通过整合13项高质量研究，为研究人员与开发者提供比较分析与未来创新的综合支持。
提出的方法
- 依据PRISMA指南开展系统性文献回顾（SLR），以识别并筛选与IoV安全相关的研究。
- 应用预设的纳入与排除标准，从初始的24项相关文献中筛选出13项高质量原始研究。
- 根据对IoV安全服务（如身份认证、机密性与数据完整性）的影响对威胁进行分类。
- 采用密码协议、基于区块链的交易日志记录、边缘计算实现低延迟处理，以及联邦学习实现隐私保护的模型训练，对解决方案进行评估。
- 分析各项解决方案的性能权衡，尤其关注响应延迟、计算开销与可扩展性。
- 将研究发现整合为一个全面的安全措施框架与IoV未来研究方向。
实验结果
研究问题
- RQ1IoV存在哪些不同类型的风险，它们分别影响哪些安全服务？
- RQ2针对已识别的IoV威胁，有哪些可行的缓解方案？
- RQ3这些解决方案对系统性能有何影响，特别是在延迟、可扩展性与资源使用方面？
- RQ4区块链、联邦学习与边缘智能等新兴技术在保障IoV系统安全方面发挥何种作用？
- RQ5IoV安全领域存在哪些关键研究空白与未来方向，特别是在通信、燃油效率与交通管理方面？
主要发现
- 本研究识别出欺骗攻击、隐私泄露、身份识别与验证攻击是IoV中最关键的安全威胁，尤其针对V2V通信与数据完整性构成威胁。
- 密码学技术（如端到端加密与访问控制）在保障IoV系统中的机密性与身份认证方面至关重要。
- 区块链技术可实现安全、防篡改的IoV交易日志记录，增强去中心化网络中的信任度与可审计性。
- 联邦学习通过在车辆本地训练机器学习模型，减少向中心服务器传输数据，从而降低数据泄露风险。
- 边缘智能支持实时数据处理与低延迟决策，对自动驾驶与交通控制等安全关键应用至关重要。
- 人工智能与去中心化技术的融合显著提升了安全与性能，但在可扩展性、能效与标准化方面仍面临挑战。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。