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

Nas artérias movimentadas de uma cidade moderna, os carros não são mais apenas máquinas; são computadores móveis que trocam constantemente dados para evitar acidentes e aliviar o tráfego. Esta rede de veículos conectados, frequentemente chamada de Internet de Veículos, baseia-se em uma premissa simples, mas frágil: que a informação que um carro compartilha é verdadeira e que o carro que a compartilha pode ser confiável. Quando um veículo freia subitamente ou relata um perigo, os carros atrás dele devem decidir instantaneamente se devem acreditar naquele sinal. Se confiarem em um mentiroso, o resultado pode ser uma cascata de confusão ou um acidente. O desafio para os engenheiros é construir um sistema que verifique essa informação rápido o suficiente para ser útil, sem expor os detalhes privados da rota ou da identidade de cada motorista. Para resolver isso, pesquisadores estão recorrendo a uma mistura de inteligência artificial e lógica matemática que imita como os humanos lidam com a incerteza, afastando-se de cálculos rígidos de "caixa preta" em direção a um sistema que possa explicar seu próprio raciocínio.

Uma equipe de pesquisadores da Universidade de Tecnologia de Zhejiang e da China Overseas Property Management propôs uma nova maneira de lidar com esse problema de confiança. Eles argumentam que os métodos tradicionais para verificar se um veículo é confiável são frequentemente muito rígidos ou lentos para a realidade caótica do tráfego urbano. Em vez de depender de uma pontuação simples que diz se um carro é "bom" ou "ruim", sua abordagem utiliza um conceito chamado lógica difusa intuicionista (intuitionistic fuzzy logic). Este método permite que o sistema reconheça que a confiança não é um número fixo, mas um estado mutável que inclui dúvida e hesitação. Ao traduzir históricos de condução complexos e localizações em tempo real para uma linguagem compreensível por humanos, como "alta confiança" ou "baixa confiança", o sistema pode tomar decisões que são ao mesmo tempo rápidas e transparentes. Os pesquisadores construíram uma estrutura onde veículos e unidades de borda (roadside units) trabalham juntos para verificar mensagens, usando essa lógica difusa para selecionar os participantes mais confiáveis para a tarefa, mantendo os dados sensíveis ocultos.

O núcleo do trabalho deles é um processo de três estágios que começa quando um veículo entra em uma rede. Primeiro, o sistema analisa o comportamento passado do carro, não através do processamento de números brutos, mas convertendo seu histórico de compartilhamento de dados bem-sucedidos ou violações de regras em um perfil de confiança difuso. Se um carro tem um histórico de relatar acidentes corretamente, ele ganha um alto grau de pertinência na categoria "confiável". Se foi pego enviando dados falsos, seu nível de confiança cai. Crucialmente, este processo não exige que o carro revele todo o seu histórico de uma forma que possa ser roubada; os dados são abstraídos em categorias semânticas que são seguras para compartilhar. Em seguida, o sistema considera o contexto imediato. Ele pergunta o quão próximo o carro está do evento e se seu trajeto está alinhado com o fluxo do tráfego. Um carro que está fisicamente perto de um congestionamento e se move na mesma direção do fluxo recebe mais peso do que um que está longe ou se movendo na direção oposta. Esta similaridade espacial também é traduzida em termos difusos como "perto" ou "longe", garantindo que o sistema entenda a situação sem precisar saber as coordenadas de GPS exatas de cada motorista.

Finalmente, essas duas partes de informação — o histórico do carro e sua situação atual — são combinadas para tomar uma decisão. O sistema seleciona um pequeno grupo de veículos para votar se uma mensagem é verdadeira. Diferente dos sistemas antigos, onde cada voto poderia ter o mesmo peso, ou onde alguns poucos nós poderosos decidiam tudo, este novo método pondera os votos com base nos escores de confiança difusa. Um veículo com um alto escore de confiança e uma localização relevante tem mais influência na decisão final. Se o grupo concordar que a mensagem é válida, ela é registrada em um livro de registro digital seguro e imutável, criando um registro permanente do evento. Se a mensagem for sinalizada como suspeita, ela é isolada para evitar que se espalhe. Os pesquisadores testaram este sistema em um ambiente simulado com cem veículos e dez unidades de borda, mimetizando a densidade e a velocidade de uma cidade real. Eles descobriram que seu método podia completar cem rodadas de verificação em apenas doze segundos, significativamente mais rápido do que outros métodos líderes que levavam quase vinte e nove a quarenta e oito segundos para a mesma tarefa.

Além da velocidade, o estudo demonstrou que esta abordagem é muito melhor em detectar maus atores. Em simulações onde trinta por cento dos veículos foram programados para agir maliciosamente, enviando dados falsos, o novo sistema identificou e filtrou as informações ruins com mais frequência do que sistemas que dependiam apenas do comportamento passado ou de modelos estatísticos simples. A lógica difusa permitiu que o sistema se adaptasse ao caos do momento, reconhecendo que um carro com um bom histórico ainda poderia ser pouco confiável se estivesse longe do evento, ou que um carro com um passado questionável poderia estar dizendo a verdade se estivesse exatamente no local. Além disso, o sistema ofereceu um escudo mais forte para a privacidade. Quando os pesquisadores tentaram usar modelos de predição para reconstruir os trajetos exatos dos veículos a partir dos dados que o sistema compartilhava, descobriram que a representação difusa tornava muito mais difícil adivinhar por onde um carro havia passado. O erro ao prever a localização do carro foi significamente maior do que com dados brutos, o que significa que os motoristas podem compartilhar informações de tráfego necessárias sem revelar seus movimentos precisos.

Os pesquisadores enfatizam que isto não é uma solução mágica que elimina todo o risco, mas uma estrutura robusta projetada para tornar os sistemas de transporte inteligentes mais responsáveis e seguros. Ao substituir algoritmos opacos por um sistema que pode explicar suas decisões em termos simples, o trabalho oferece um caminho para um futuro onde os carros podem coordenar-se com segurança sem sacrificar a privacidade de seus passageiros. As simulações sugerem que este equilíbrio de velocidade, segurança e transparência é alcançável, fornecendo uma base para a próxima geração de cidades inteligentes onde o compartilhamento de dados não é apenas rápido, mas também confiável.