Explainable and trustworthy AI-driven fuzzy consensus for secure data sharing in intelligent transportation systems

في الشرايين الصاخبة لمدينة حديثة، لم تعد السيارات مجرد آلات؛ بل هي حواسيب متحركة تتبادل البيانات باستمرار لتجنب الحوادث وتسهيل حركة المرور. تعتمد هذه الشبكة من المركبات المتصلة، والتي تُسمى غالباً "إنترنت المركبات"، على فرضية بسيطة ولكنها هشة: وهي أن المعلومات التي تشاركها السيارة حقيقية وأن السيارة التي تشاركها يمكن الوثوق بها. عندما تضغط سيارة على المكابح فجأة أو تبلغ عن خطر ما، يجب على السيارات التي خلفها أن تقرر فوراً ما إذا كانت ستصدق تلك الإشارة أم لا. فإذا وثقت في كاذب، قد تكون النتيجة سلسلة من الارتباك أو وقوع حادث. التحدي الذي يواجه المهندسين هو بناء نظام يتحقق من هذه المعلومات بسرعة كافية لتكون مفيدة، دون الكشف عن التفاصيل الخاصة لمسار كل سائق أو هويته. ولحل هذه المعضلة، يتجه الباحثون إلى مزيج من الذكاء الاصطناعي والمنطق الرياضي الذي يحاكي كيفية تعامل البشر مع عدم اليقين، مبتعدين عن الحسابات الجامدة و"الصناديق السوداء" نحو نظام يمكنه شرح منطقه الخاص.

اقترح فريق من الباحثين من جامعة تشجيانغ للتكنولوجيا وإدارة العقارات الصينية (China Overseas Property Management) طريقة جديدة للتعامل مع مشكلة الثقة هذه. ويجادلون بأن الطرق التقليدية للتحقق مما إذا كانت المركبة موثوقة غالباً ما تكون جامدة للغاية أو بطيئة جداً بالنسبة للواقع الفوضوي لحركة المرور في المدن. وبدلاً من الاعتماد على درجة بسيطة تقول إن السيارة "جيدة" أو "سيئة"، يستخدم نهجهم مفهوماً يسمى "المنطق الضبابي الحدسي" (intuitionistic fuzzy logic). تسمح هذه الطريقة للنظام بالإقرار بأن الثقة ليست رقماً ثابتاً، بل هي حالة متغيرة تتضمن الشك والتردد. ومن خلال ترجمة سجلات القيادة المعقدة والمواقع في الوقت الفعلي إلى لغة مفهومة للبشر مثل "ثقة عالية" أو "ثقة منخفضة"، يمكن للنظام اتخاذ قرارات سريعة وشفافة في آن واحد. وقد بنى الباحثون إطار عمل تعمل فيه المركبات والوحدات الموجودة على جانب الطريق معاً للتحقق من الرسائل، باستخدام هذا المنطق الضبابي لاختيار المشاركين الأكثر موثوقية للقيام بالمهمة مع الحفاظ على سرية البيانات الحساسة.

جوهر عملهم هو عملية مكونة من ثلاث مراحل تبدأ عند دخول المركبة إلى الشبكة. أولاً، ينظر النظام إلى سلوك السيارة السابق، ليس عبر معالجة الأرقام الخام، بل بتحويل تاريخها في مشاركة البيانات الناجحة أو خرق القواعد إلى ملف تعريف ضبابي للثقة. فإذا كان للسيارة تاريخ في الإبلاغ عن الحوادث بشكل صحيح، فإنها تكتسب درجة عالية من الانتماء إلى فئة "الموثوقية". وإذا تم ضبطها وهي ترسل بيانات كاذبة، تنخفض مستويات ثقتها. والأهم من ذلك، أن هذه العملية لا تتطلب من السيارة الكشف عن تاريخها بالكامل بطريقة يمكن سرقتها؛ إذ يتم تجريد البيانات إلى فئات دلالية آمنة للمشاركة. بعد ذلك، يأخذ النظام في الاعسبار السياق المباشر؛ حيث يتساءل عن مدى قرب السيارة من الحدث وما إذا كان مسارها يتوافق مع تدفق حركة المرور. فالسيارة التي تكون قريبة مادياً من ازدحام مروري وتتحرك في نفس اتجاه التدفق تُمنح وزناً أكبر من تلك البعيدة أو التي تتحرك في الاتجاه المعاكس. كما يتم ترجمة هذا التشابه المكاني أيضاً إلى مصطلحات ضبابية مثل "قريب" أو "بعيد"، مما يضمن فهم النظام للموقف دون الحاجة لمعرفة الإحداثيات الجغرافية الدقيقة لكل سائق.

أخيراً، يتم دمج هذين الجزئين من المعلومات — تاريخ السيارة ووضعها الحالي — لاتخاذ قرار. يختار النظام مجموعة صغيرة من المركبات للتصويت على ما إذا كانت الرسالة صحيحة. وخلافاً للأنظمة القديمة حيث قد يكون لكل صوت نفس الوزن، أو حيث تقرر بضع عقد قوية كل شيء، فإن هذه الطريقة الجديدة تزن الأصوات بناءً على درجات الثقة الضبابية. فالمركبة التي تمتلك درجة ثقة عالية وموقعاً ذا صلة يكون لها تأثير أكبر على القرار النهائي. وإذا اتفقت المجموعة على أن الرسالة صالحة، يتم تسجيلها في سجل رقمي آمن وغير قابل للتغيير، مما يخلق سجلاً دائماً للحدث. أما إذا تم تصنيف الرسالة على أنها مشبوهة، فيتم عزلها لمنع انتشارها. وقد اختبر الباحثون هذا النظام في بيئة محاكاة تضم مائة مركبة وعشر وحدات على جانب الطريق، لمحاكة كثافة وسرعة مدينة حقيقية. ووجدوا أن طريقتهم استطاعت إكمال مائة جولة من التحقق في اثني عشر ثانية فقط، وهو أسرع بكماً من الطرق الرائدة الأخرى التي استغرقت ما بين تسعة وعشرين إلى ثمانية وأربعين ثانية لنفس المهمة.

وبعيداً عن السرعة، أظهرت الدراسة أن هذا النهج أفضل بكثير في رصد الجهات السيئة. ففي عمليات المحاكاة حيث تمت برمجة ثلاثين بالمائة من المركبات للتصرف بشكل ضار عبر إرسال بيانات كاذبة، نجح النظام الجديد في تحديد وتصفية المعلومات السيئة بشكل أكثر تكراراً من الأنظمة التي تعتمد فقط على السلوك السابق أو النماذج الإحصائية البسيطة. لقد سمح المنطق الضبابي للنظام بالتكيف مع فوضى اللحظة، مدركاً أن السيارة ذات التاريخ الجيد قد تظل غير موثوقة إذا كانت بعيدة عن الحدث، أو أن السيارة ذات الماضي المشكوك فيه قد تقول الحقيقة إذا كانت في قلب المشهد تماماً. علاوة على ذلك، قدم النظام درعاً أقوى للخصوصية؛ فعندما حاول الباحثون استخدام نماذج التنبؤ لإعادة بناء المسارات الدقيقة للمركبات من البيانات التي شاركها النظام، وجدوا أن التمثيل الضبابي جعل من الصعب جداً تخمين أين كانت السيارة. وكان الخطأ في التنبؤ بموقع السيارة أعلى بكثير مقارنة بالبيانات الخام، مما يعني أن السائقين يمكنهم مشاركة معلومات حركة المرور الضرورية دون الكشف عن تحركاتهم الدقيقة.

ويؤكد الباحثون أن هذا ليس حلاً سحرياً يقضي على جميع المخاطر، بل هو إطار عمل قوي مصمم لجعل أنظمة النقل الذكية أكثر مساءلة وأماناً. ومن خلال استبدال الخوارما الغامضة بنظام يمكنه شرح قراراته بعبارات واضحة، يمهد هذا العمل الطريق نحو مستقبل حيث يمكن للسيارات التنسيق بأمان دون التضحية بخصوصية ركابها. وتشير عمليات المحاكاة إلى أن هذا التوازن بين السرعة والأمن والشفافية أمر قابل للتحقيق، مما يوفر أساساً للجيل القادم من المدن الذكية حيث لا تقتصر مشاركة البيانات على كونها سريعة فحسب، بل موثوقة أيضاً.