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

In den pulsierenden Arterien einer modernen Stadt sind Autos nicht mehr nur Maschinen; sie sind bewegliche Computer, die ständig Daten austauschen, um Unfälle zu vermeiden und den Verkehr zu entlasten. Dieses Netzwerk vernetzter Fahrzeuge, das oft als Internet der Fahrzeuge bezeichnet wird, stützt sich auf eine einfache, aber fragile Prämisse: dass die Informationen, die ein Auto teilt, wahr sind und dass das Auto, das sie teilt, vertrauenswürdig ist. Wenn ein Fahrzeug plötzlich bremst oder eine Gefahr meldet, müssen die dahinter fahrenden Autos augenblicklich entscheiden, ob sie diesem Signal glauben sollen. Wenn sie einem Lügner vertrauen, kann das Ergebnis eine Kaskade von Verwirrung oder ein Unfall sein. Die Herausforderung für Ingenieure besteht darin, ein System zu bauen, das diese Informationen schnell genug verifiziert, um nützlich zu sein, ohne die privaten Details der Route oder Identität jedes Fahrers preiszugeben. Um dies zu lösen, wenden Forscher eine Mischung aus künstlicher Intelligenz und mathematischer Logik an, die der Art und Weise nachempfunden ist, wie Menschen mit Unsicherheit umgehen, indem sie sich von starren Black-Box-Berechnungen weg hin zu einem System bewegen, das seine eigene Argumentation erklären kann.

Ein Team von Forschern der Zhejiang University of Technology und China Overseas Property Management hat einen neuen Weg vorgeschlagen, um dieses Vertrauensproblem zu handhaben. Sie argumentieren, dass traditionelle Methoden zur Überprüfung der Zuverlässigkeit eines Fahrzeugs oft zu starr oder zu langsam für die chaotische Realität des Stadtverkehrs sind. Anstatt sich auf einen einfachen Score zu verlassen, der besagt, dass ein Auto „gut“ oder „schlecht“ ist, nutzt ihr Ansatz das Konzept der intuitionistischen Fuzzy-Logik. Diese Methode ermöglicht es dem System anzuerkennen, dass Vertrauen kein fester Wert ist, sondern ein sich verschiebender Zustand, der auch Zweifel und Zögern beinhaltet. Durch die Übersetzung komplexer Fahrhistorien und Echtzeit-Standorte in menschenverständliche Sprache wie „hohes Vertrauen“ oder „niedriges Vertrauen“ kann das System Entscheidungen treffen, die sowohl schnell als auch transparent sind. Die Forscher bauten ein Framework, in dem Fahrzeuge und Straßeneinheiten zusammenarbeiten, um Nachrichten zu verifizieren, wobei sie diese Fuzzy-Logik nutzen, um die zuverlässigsten Teilnehmer für die Aufgabe auszuwählen, während sensible Daten verborgen bleiben.

Der Kern ihrer Arbeit ist ein dreistufiger Prozess, der beginnt, wenn ein Fahrzeug in ein Netzwerk eintritt. Zuerst betrachtet das System das vergangene Verhalten des Autos, indem es nicht bloß Rohdaten verarbeitet, sondern dessen Historie erfolgreicher Datenteilung oder Regelverstöße in ein Fuzzy-Vertrauensprofil umwandelt. Wenn ein Auto eine Historie hat, Unfälle korrekt zu melden, gewinnt es einen hohen Zugehörigkeitsgrad zur Kategorie „vertrauenswürdig“. Wenn es dabei erwischt wurde, falsche Daten zu senden, sinkt sein Vertrauensniveau. Entscheidend ist, dass dieser Prozess nicht erfordert, dass das Auto seine gesamte Historie in einer Weise offenlegt, die gestohlen werden könnte; die Daten werden in semantische Kategorien abstrahiert, die sicher zu teilen sind. Als Nächstes betrachtet das System den unmittelbaren Kontext. Es fragt, wie nah das Auto am Ereignis ist und ob sein Pfad mit dem Verkehrsfluss übereinstimmt. Ein Auto, das sich physisch nahe einem Stau befindet und sich in dieselbe Richtung wie der Verkehrsfluss bewegt, erhält mehr Gewicht als eines, das weit entfernt ist oder in die entgegengesetzte Richtung fährt. Diese räumliche Ähnlichkeit wird ebenfalls in Fuzzy-Begriffen wie „nah“ oder „fern“ übersetzt, wodurch das System die Situation versteht, ohne die exakten GPS-Koordinaten jedes Fahrers kennen zu müssen.

Schließlich werden diese beiden Informationsteile – die Historie des Autos und seine aktuelle Situation – kombeliert, um eine Entscheidung zu treffen. Das System wählt eine kleine Gruppe von Fahrzeugen aus, die darüber abstimmen, ob eine Nachricht wahr ist. Im Gegensatz zu älteren Systemen, in denen jede Stimme gleich viel zählen könnte oder in denen einige wenige mächtige Knoten alles entscheiden, gewichtet diese neue Methode die Stimmen basierend auf den Fuzzy-Vertrauenswerten. Ein Fahrzeug mit einem hohen Vertrauenswert und einem relevanten Standort hat mehr Einfluss auf die endgültige Entscheidung. Wenn die Gruppe zustimmt, dass die Nachricht gültig ist, wird sie in einem sicheren, unveränderlichen digitalen Register gespeichert, was eine dauerhafte Aufzeichnung des Ereignisses schafft. Wenn die Nachricht als verdächtig eingestuft wird, wird sie isoliert, um eine Verbreitung zu verhindern. Die Forscher testeten dieses System in einer simulierten Umgebung mit einhundert Fahrzeugen und zehn Straßeneinheiten, die die Dichte und Geschwindigkeit einer echten Stadt nachbildete. Sie fanden heraus, dass ihre Methode in der Lage war, einhundert Verifizierungsrunden in nur zwölf Sekunden abzuschließen, was signifikant schneller ist als andere führende Methoden, die für dieselbe Aufgabe fast achtundzwanzig bis achtundvierzig Sekunden benötigten.

Über die Geschwindigkeit hinaus zeigte die Studie, dass dieser Ansatz wesentlich besser darin ist, böswillige Akteure zu identifizieren. In Simulationen, in denen dreißig Prozent der Fahrzeuge so programmiert waren, dass sie böswillig handelten, indem sie falsche Daten sendeten, identifizierte und filterte das neue System die schlechten Informationen häufiger heraus als Systeme, die sich nur auf das vergangene Verhalten oder einfache statistische Modelle verließen. Die Fuzzy-Logik ermöglichte es dem System, sich an das Chaos des Augenblicks anzupassen, indem es erkannte, dass ein Auto mit einer guten Historie dennoch unzuverlässig sein kann, wenn es weit vom Ereignis entfernt ist, oder dass ein Auto mit einer fragwürdigen Vergangenheit die Wahrheit sagen kann, wenn es direkt am Ort des Geschehens ist. Darüber hinaus bot das System einen stärkeren Schutz für die Privatsphäre. Als die Forscher versuchten, Vorhersagemodelle zu verwenden, um die exakten Pfade der Fahrzeuge aus den vom System geteilten Daten zu rekonstruieren, stellten sie fest, dass die Fuzzy-Repräsentation es viel schwieriger machte, den Standort eines Autos zu erraten. Der Fehler bei der Vorhersage des Standorts des Autos war signifikant höher als mit Rohdaten, was bedeutet, dass Fahrer notwendige Verkehrsinformationen teilen können, ohne ihre präzisen Bewegungen preiszugeben.

Die Forscher betonen, dass dies keine magische Lösung ist, die alle Risiken eliminiert, sondern ein robustes Framework, das darauf ausgelegt ist, intelligente Transportsysteme verantwortungsbewusster und sicherer zu machen. Indem sie opake Algorithmen durch ein System ersetzen, das seine Entscheidungen in einfacher Sprache erklären kann, bietet die Arbeit einen Weg zu einer Zukunft, in der Autos sicher koordinieren können, ohne die Privatsphäre ihrer Passagiere zu opfern. Die Simulationen legen nahe, dass dieses Gleichgewicht zwischen Geschwindigkeit, Sicherheit und Transparenz erreichbar ist und eine Grundlage für die nächste Generation von Smart Cities bildet, in denen der Datenaustausch nicht nur schnell, sondern auch vertrauenswürdig ist.