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

現代の都市における賑やかな動脈において、車はもはや単なる機械ではありません。事故を回避し交通を円滑にするために、絶えずデータを交換し合う移動するコンピュータなのです。この「コネクテッド・ビークル」によるネットワークは、しばしば「Internet of Vehicles（車両のインターネット）」と呼ばれますが、これは、車が共有する情報は真実であり、その情報を共有する車は信頼できるという、単純ながらも脆弱な前提に基づいています。車両が突然ブレーキをかけたり、危険を報告したりしたとき、後続の車は、その信号を信じるべきかどうかを瞬時に判断しなければなりません。もし嘘つきを信じてしまえば、混乱の連鎖や衝突事故を招く恐れがあります。エンジニアにとっての課題は、各ドライバーのルートや身元といったプライベートな詳細をさらすことなく、有用なレベルで十分に迅速にこの情報を検証できるシステムを構築することです。これを解決するために、研究者たちは、人工知能と数学的論理を融合させ、人間が不確実性を扱う方法を模倣し、硬直的なブラックボックス型の計算から、自らの推論を説明できるシステムへと移行しようとしています。

浙江工業大学と中海物業管理の共同研究チームは、この信頼性の問題を扱うための新しい手法を提案しました。彼らは、車両の信頼性をチェックするための従来の手法は、都市交通の混沌とした現実に対して、あまりに硬直的すぎるか、あるいは遅すぎると主張しています。単に車を「良い」か「悪い」かで判定する単純なスコアに頼るのではなく、彼らのアプローチは「直観主義的ファジー論理（intuitionistic fuzzy logic）」と呼ばれる概念を用いています。この手法により、システムは、信頼とは固定された数値ではなく、疑念や躊躇を含む変化する状態であることを認識できます。複雑な運転履歴やリアルタイムの所在を、「高い信頼」や「低い信頼」といった人間にとって理解しやすい言語に翻訳することで、システムは迅速かつ透明性の高い意思決定を行うことができます。研究者たちは、車両と路側機が連携してメッセージを検証し、このファジー論理を用いて、機密データを隠匿しながら、最も信頼できる参加者を選別するフレームワークを構築しました。

彼らの研究の核心は、車両がネットワークに進入した際に始まる3段階のプロセスです。まず、システムは車の過去の行動を確認します。これは生の数値を計算するのではなく、データの共有成功やルール違反の履歴を「ファジーな信頼プロファイル」へと変換することで行われます。もし車が事故報告を正しく行ってきた歴史があれば、「信頼できる」カテゴリーへの帰属度が高まります。逆に、偽のデータを送信したことが判明していれば、その信頼レベルは低下します。極めて重要なのは、このプロセスにおいて、車が自身の全履歴を盗難のリスクがある形で明かす必要はなく、データは安全に共有可能な意味論的カテゴリーへと抽象化される点です。次に、システムは即時的なコンテキスト（文脈）を考慮します。その車が事象にどれだけ近いか、そしてその経路が交通の流れと一致しているかを問いかけます。交通渋滞の近くに位置し、流れと同じ方向に移動している車は、離れた場所にいる車や逆方向に移動している車よりも重み付けされます。この空間的な類似性も「近い」や「遠い」といったファジーな用語に翻訳されるため、システムは各ドライバーの正確なGPS座標を知ることなく、状況を理解することができます。

最後に、これら2つの情報、すなわち「車の履歴」と「現在の状況」を組み合わせて意思決定を行います。システムは、メッセージが真実であるかどうかを投票するために、少数の車両グループを選出します。すべての票が同じ価値を持つ、あるいは少数の強力なノードがすべてを決定するといった従来のシステムとは異なり、この新手法では、ファジーな信頼スコアに基づいて投票に重み付けを行います。高い信頼スコアと関連性の高い位置を持つ車両は、最終的な決定に対してより大きな影響力を持ちます。グループがメッセージの妥当性に合意した場合、それは改ざん不可能な安全なデジタル台帳に記録され、イベントの永続的な記録となります。もしメッセージが疑わしいとフラグが立てられた場合は、拡散を防ぐために隔離されます。研究者たちは、実際の都市の密度と速度を模した、100台の車両と10台の路側機を用いたシミュレーション環境でこのシステムをテストしました。その結果、彼らの手法は100回の検証ラウンドをわずか12秒で完了させることができ、同じタスクに29秒から48秒を要した他の主要な手法よりも大幅に高速であることが判明しました。

スピード以外にも、このアプローチが悪意のある行為者を特定する能力において非常に優れていることが研究によって示されました。30%の車両が悪意を持って偽のデータを送信するようにプログラムされたシミュレーションにおいて、この新システムは、過去の行動のみや単純な統計モデルに依存するシステムよりも、高い頻度で不正な情報を特定し、排除することに成功しました。ファジー論理によって、システムは事象から遠い車は過去の履歴が良くても信頼できない可能性があることや、過去に疑問があっても現場に直結している車は真実を述べている可能性があることなど、その瞬間の混沌に適応することができました。さらに、システムはより強力なプライバシー保護を提供しました。研究者が、共有されたデータから車両の正確な経路を再構成しようとする予測モデルを用いたところ、ファジー表現を用いることで、車の移動経路を推測することが極めて困難になることが分かりました。生のデータと比較して、位置予測の誤差が大幅に大きくなったことは、ドライバーが正確な動きを明かすことなく、必要な交通情報を共有できることを意味しています。

研究者たちは、これがすべてのリスクを排除する魔法のような解決策ではなく、インテリジェントな輸送システムをより説明責任があり、安全なものにするために設計された堅牢なフレームワークであることを強調しています。不透明なアルゴリズムを、判断を平易な言葉で説明できるシステムに置き換えることで、この研究は、乗客のプライバシーを犠牲にすることなく、車が安全に連携できる未来への道筋を示しています。シミュレーションの結果は、スピード、セキュリティ、そして透明性のこのバランスが達成可能であることを示唆しており、データの共有が単に速いだけでなく、信頼できるものである次世代のスマートシティの基礎を提供するものです。