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

In de bruisende slagaders van een moderne stad zijn auto's niet langer slechts machines; het zijn rijdende computers die constant gegevens uitwisselen om ongelukken te vermijden en het verkeer te vergemakkelijken. Dit netwerk van verbonden voertuigen, vaak het Internet of Vehicles genoemd, rust op een eenvoudig maar kwetsbaar uitgangspunt: dat de informatie die een auto deelt waar is en dat de auto die het deelt vertrouwd kan worden. Wanneer een voertuig plotseling remt of een gevaar meldt, moeten de auto's daarachter onmiddellijk beslissen of ze dat signaal geloven. Als ze een leugenaar vertrouwen, kan het resultaat een cascade van verwarring of een botsing zijn. De uitdaging voor ingenieurs is om een systeem te bouwen dat deze informatie snel genoeg verifieert om nuttig te zijn, zonder de privédetails van de route of identiteit van elke bestuurder bloot te leggen. Om dit op te lossen, wenden onderzoekers zich tot een combinatie van kunstmatige intelligentie en wiskundige logica die nabootst hoe mensen met onzekerheid omgaan, waarbij ze bewegen van rigide, 'black-box'-berekeningen naar een systeem dat zijn eigen redenering kan uitleggen.

Een team onderzoekers van de Zhejiang University of Technology en China Overseas Property Management heeft een nieuwe manier voorgesteld om dit vertrouwensprobleem aan te pakken. Zij stellen dat traditionele methoden om te controleren of een voertuig betrouwbaar is, vaak te rigide of te traag zijn voor de chaotische realiteit van stadsverkeer. In plaats van te vertrouwen op een eenvoudige score die zegt dat een auto "goed" of "slecht" is, gebruikt hun aanpak een concept genaamd intuïtionistische fuzzy logica. Deze methode maakt het systeem mogelijk om te erkennen dat vertrouwen geen vast getal is, maar een verschuivende staat die twijfel en aarzeling omvat. Door complexe rijgeschiedenissen en realtime locaties te vertalen naar menselijk begrijpelijke taal zoals "hoog vertrouwen" of "laag vertrouwen", kan het systeem beslissingen nemen die zowel snel als transparant zijn. De onderzoekers bouwden een raamwerk waarin voertuigen en wegunits samenwerken om berichten te verifiëren, waarbij ze deze fuzzy logica gebruiken om de meest betrouwbare deelnemers voor de taak te selecteren terwijl gevoelige gegevens verborgen blijven.

De kern van hun werk is een proces van drie fasen dat begint wanneer een voertuig een netwerk binnenrijdt. Eerst kijkt het systeem naar het verleden van de auto, niet door ruwe cijfers te verwerken, maar door de geschiedenis van succesvolle gegevensdeling of regelovertredingen om te zetten in een fuzzy vertrouwensprofiel. Als een auto een geschiedenis heeft van het correct rapporteren van ongelukken, krijgt het een hoge mate van lidmaatschap in de categorie "betrouwbaar". Als het betrapt is op het verzenden van valse gegevens, daalt het vertrouwenniveau. Cruciaal is dat dit proces niet vereist dat de auto zijn volledige geschiedenis onthult op een manier die gestolen kan worden; de gegevens worden geabstraheerd in semantische categorieën die veilig zijn om te delen. Vervolgens houdt het systeem rekening met de directe context. Het vraagt zich af hoe dicht de auto bij het incident is en of het pad overeenkomt met de verkeersstroom. Een auto die fysiek nabij een verkeersopstopping is en in dezelfde richting beweegt als de stroom, krijgt meer gewicht dan een auto die ver weg is of in de tegenovergestelde richting beweegt. Deze ruimtelijke gelijkenis wordt ook vertaald in fuzzy termen zoals "nabij" of "ver", waardoor het systeem de situatie begrijpt zonder de exacte GPS-coördinaten van elke bestuurder te hoeven kennen.

Ten slotte worden deze twee stukken informatie — de geschiedenis van de auto en de huidige situatie — gecombineerd om een beslissing te nemen. Het systeem selecteert een kleine groep voertuigen om te stemmen over de vraag of een bericht waar is. In tegen tegenstelling tot oudere systemen waar elke stem evenveel kan tellen, of waar een paar machtige knooppunten alles beslissen, weegt deze nieuwe methode de stemmen op basis van de fuzzy vertrouwensscores. Een voertuig met een hoge vertrouwensscore en een relevante locatie heeft meer invloed op de uiteindelijke beslissing. Als de groep het erover eens is dat het bericht geldig is, wordt het geregistreerd op een veilige, onveranderlijke digitale grootboek (ledger), wat een permanent verslag van de gebeurtenis creëert. Als het bericht als verdacht wordt gemarkeerd, wordt het geïsoleerd om te voorkomen dat het zich verspreidt. De onderzoekers testten dit systeem in een gesimuleerde omgeving met honderd voertuigen en tien wegunits, waarbij de dichtheid en snelheid van een echte stad werd nagebootst. Ze vonden dat hun methode honderd ronden verificatie in slechts twaalf seconden kon voltooien, wat aanzienlijk sneller is dan andere toonaangevende methoden die bijna zesentwintig tot achtenveertig seconden nodig hadden voor dezelfde taak.

Naast snelheid toonde de studie aan dat deze aanpak veel beter is in het opsporen van kwaadwillende actoren. In simulaties waarbij dertig procent van de voertuigen geprogrammeerd was om kwaadwillend te handelen door valse gegevens te verzenden, identificeerde en filterde het nieuwe systeem de slechte informatie vaker uit dan systemen die alleen vertrouwden op het verleden of eenvoudige statistische modellen. De fuzzy logica stelde het systeem in staat om zich aan te passen aan de chaos van het moment, waarbij het herkende dat een auto met een goede geschiedenis nog steeds onbetrouwbaar kon zijn als deze ver van de gebeurtenis was, of dat een auto met een twijfelachtig verleden toch de waarheid kon spreken als deze zich direct bij de scène bevond. Bovendien bood het systeem een sterker schild voor de privacy. Wanneer onderzoekers probeerden predictiemodellen te gebruiken om de exacte trajecten van de voertuigen te reconstrueren uit de gegevens die het systeem deelde, ontdekten zij dat de fuzzy representatie het veel moeilijker maakte om te raden waar een auto was geweest. De fout bij het voorspellen van de locatie van de auto was aanzienlijk hoger dan bij ruwe gegevens, wat betekent dat bestuurders noodzakelijke verkeersinformatie konden delen zonder hun exacte bewegingen prijs te geven.

De onderzoekers benadrukken dat dit geen magische oplossing is die alle risico's elimineert, maar een robuust raamwerk dat ontworpen is om intelligente transportsystemen meer verantwoordelijk en veilig te maken. Door opale algoritmen te vervangen door een systeem dat zijn beslissingen in duidelijke termen kan uitleggen, biedt het werk een pad naar een toekomst waarin auto's veilig kunnen coördineren zonder de privacy van hun passagiers op te offeren. De simulaties suggereren dat deze balans tussen snelheid, veiligheid en transparantie haalbaar is, wat een fundament legt voor de volgende generatie slimme steden waar gegevensdeling niet alleen snel, maar ook betrouwbaar is.