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

Nelle arterie frenetiche di una città moderna, le auto non sono più solo macchine; sono computer in movimento che scambiano costantemente dati per evitare incidenti e facilitare il traffico. Questa rete di veicoli connessi, spesso chiamata Internet of Vehicles, si basa su una premessa semplice ma fragile: che l'informazione condivisa da un'auto sia vera e che l'auto che la condivide sia affidabile. Quando un veicolo frena improvvisamente o segnala un pericolo, le auto che lo seguono devono decidere istantaneamente se credere a quel segnale. Se si fidano di un bugiardo, il risultato può essere una cascata di confusione o uno scontro. La sfida per gli ingegneri è costruire un sistema che verifichi questa informazione abbastanza velocemente da essere utile, senza esporre i dettagli privati del percorso o dell'identità di ogni conducente. Per risolvere questo problema, i ricercatori si stanno rivolgendo a una miscela di intelligenza artificiale e logica matematica che imita il modo in cui gli esseri umani gestiscono l'incertezza, allontanandosi da calcoli rigidi e "black-box" verso un sistema capace di spiegare il proprio ragionamento.

Un team di ricercatori della Zhejiang University of Technology e della China Overseas Property Management ha proposto un nuovo modo per gestire questo problema di fiducia. Essi sostengono che i metodi tradizionali per verificare se un veicolo è affidabile siano spesso troppo rigidi o troppo lenti per la realtà caotica del traffico cittadino. Inveve di fare affidamento su un semplice punteggio che dice se un'auto è "buona" o "cattiva", il loro approccio utilizza un concetto chiamato logica fuzzy intuizionistica. Questo metodo permette al sistema di riconoscere che la fiducia non è un numero fisso, ma uno stato mutevole che include il dubbio e l'esitazione. Traducendo storie di guida complesse e posizioni in tempo reale in un linguaggio comprensibile agli esseri umani come "alta fiducia" o "bassa fiducia", il sistema può prendere decisioni che siano allo stesso tempo veloci e trasparenti. I ricercatori hanno costruito un framework in cui i veicoli e le unità stradali lavorano insieme per verificare i messaggi, utilizzando questa logica fuzzy per selezionare i partecipanti più affidabili per il compito, mantenendo nascosti i dati sensibili.

Il cuore del loro lavoro è un processo in tre fasi che inizia quando un veicolo entra in una rete. Per prima cosa, il sistema esamina il comportamento passato dell'auto, non elaborando numeri grezzi, ma convertendo la sua storia di condivisione dati riuscita o di violazione delle regole in un profilo di fiducia fuzzy. Se un'auto ha una storia di segnalazione corretta di incidenti, acquisisce un alto grado di appartenenza alla categoria "affidabile". Se è stata colta a inviare dati falsi, il suo livello di fiducia scende. Fondamentalmente, questo processo non richiede che l'auto riveli l'intera sua storia in un modo che possa essere rubato; i dati vengono astratti in categorie semantiche che sono sicure da condividere. Successivamente, il sistema considera il contesto immediato. Si chiede quanto l'auto sia vicina all'evento e se il suo percorso sia allineato con il flusso del traffico. Un'auto che si trova fisicamente vicino a un ingorgo e si muove nella stessa direzione del flusso riceve più peso rispetto a una che è lontana o che si muove in direzione opposta. Questa somiglianza spaziale è anch'essa tradotta in termini fuzzy come "vicino" o "lontano", garantendo che il sistema comprenda la situazione senza dover conoscere le coordinate GPS esatte di ogni conducente.

Infine, questi due pezzi di informazione — la storia dell'auto e la sua situazione attuale — vengono combinati per prendere una decisione. Il sistema seleziona un piccolo gruppo di veicoli per votare se un messaggio è vero. A differenza dei sistemi più vecchi in cui ogni voto potrebbe contare allo stesso modo, o dove pochi nodi potenti decidono tutto, questo nuovo metodo pesa i voti in base ai punteggi di fiducia fuzzy. Un veicolo con un alto punteggio di fiducia e una posizione rilevante ha più influenza sulla decisione finale. Se il gruppo concorda sul fatto che il messaggio sia valido, questo viene registrato su un registro digitale sicuro e immutabile, creando un record permanente dell'evento. Se il messaggio viene segnalato come sospetto, viene isolato per evitare che si diffonda. I ricercatori hanno testato questo sistema in un ambiente simulato con cento veicoli e dieci unità stradali, imitando la densità e la velocità di una vera città. Hanno scoperto che il loro metodo poteva completare cento round di verifica in soli dodici secondi, significativamente più velocemente di altri metodi leader che impiegavano quasi ventinove o quarantotto secondi per lo stesso compito.

Oltre alla velocità, lo studio ha dimostato che questo approccio è molto più efficace nel individuare i malintenzionati. Nelle simulazioni in cui il trenta percento dei veicoli era programmato per agire in modo malevolo inviando dati falsi, il nuovo sistema è riuscito a identificare e filtrare le informazioni errate più spesso rispetto ai sistemi che si basavano solo sul comportamento passato o su semplici modelli statistici. La logica fuzzy ha permesso al sistema di adattarsi al caos del momento, riconoscendo che un'auto con una buona storia potrebbe comunque essere inaffidabile se si trovava lontana dall'evento, o che un'auto con un passato discutibile potrebbe dire la verità se si trovava proprio sulla scena. Inoltre, il sistema ha offerto uno scudo più forte per la privacy. Quando i ricercatori hanno cercato di utilizzare modelli predittivi per ricostruire i percorsi esatti dei veicoli dai dati condivisi dal sistema, hanno scoperto che la rappresentazione fuzzy rendeva molto più difficile indovinare dove fosse stata un'auto. L'errore nel prevedere la posizione dell'auto era significativamente più alto rispetto ai dati grezzi, il che significa che i conducenti potevano condividere le informazioni necessarie sul traffico senza rivelare i loro movimenti precisi.

I ricercatori sottolineano che questa non è una soluzione magica che elimina ogni rischio, ma un framework robusto progettato per rendere i sistemi di trasporto intelligenti più responsabili e sicuri. Sostituendo algoritmi opachi con un sistema capace di spiegare le proprie decisioni in termini semplici, il lavoro offre una strada verso un futuro in cui le auto possano coordinarsi in sicurezza senza sacrificare la privacy dei loro passeggeri. Le simulazioni suggeriscono che questo equilibrio tra velocità, sicurezza e trasparenza è raggiungibile, fornendo le fondamenta per la prossima generazione di smart cities dove la condivisione dei dati non è solo veloce, ma anche affidabile.