基于边缘计算的车联网安全技术研究综述

基于边缘计算的车联网安全技术研究综述一、边缘计算赋能车联网安全的基础逻辑车联网（InternetofVehicles,IoV）作为智能交通系统的核心组成部分，实现了车与车（V2V）、车与路侧设施（V2I）、车与云端（V2N）、车与人（V2P）的全方位信息交互，是支撑自动驾驶、智慧出行、交通动态管控等场景落地的关键基础设施。传统车联网架构采用“云-端”二元模式，海量车辆感知数据需回传至远程云端进行集中处理，不仅存在传输时延高、带宽压力大的问题，更在数据传输、存储、计算全链路引入了多重安全风险：一方面，长距离传输过程中数据易被窃听、篡改或伪造，虚假路况信息、恶意控制指令可能直接威胁车辆行驶安全；另一方面，云端集中存储大量车辆位置、驾驶行为、用户隐私数据，一旦发生数据泄露或越权访问，将造成大面积隐私泄露与安全隐患。边缘计算技术通过将计算、存储、网络资源下沉到靠近车辆和路侧的网络边缘节点（如路侧单元RSU、基站边缘服务器、车载计算单元等），构建“云-边-端”三级协同架构，从架构层面为车联网安全提供了新的解决路径。其核心价值体现在三个层面：首先是低时延安全响应，自动驾驶场景下车辆碰撞预警、紧急制动等安全指令要求端到端时延低于10ms，边缘节点本地即可完成数据校验、威胁识别与指令下发，无需回传云端，有效避免传输延迟导致的安全响应滞后；其次是最小化数据暴露，车辆敏感数据可在边缘节点完成本地处理、匿名化或加密后再按需上传，减少了数据跨网络传输的暴露面，降低隐私泄露风险；最后是分布式安全防护，边缘架构避免了云端单点故障导致的全网安全失效，单个边缘节点受攻击时可通过节点间协同快速隔离威胁，整体安全韧性显著提升。二、车联网边缘计算场景下的核心安全威胁边缘计算的引入重构了车联网的业务流程与技术架构，同时也带来了新的攻击面，当前车联网边缘环境面临的安全威胁可按架构层级划分为端侧安全、边侧安全、传输安全与协同安全四大类。（一）端侧安全威胁车联网端侧设备包括车载OBU（车载单元）、传感器、车载ECU（电子控制单元）、用户智能终端等，是安全威胁的首要切入点。其一，车载计算单元资源受限，多数低阶自动驾驶车辆的车载芯片算力仅能支撑基础感知与控制功能，难以运行复杂的加密算法、入侵检测系统，攻击者可通过物理接触、OBD接口侵入、蓝牙/Wi-Fi近场攻击等方式破解车载系统，获取车辆控制权，2023年国内某车企多款车型被曝出存在蓝牙密钥硬编码漏洞，攻击者可在10米范围内远程解锁车辆、启动发动机。其二，传感器数据易被spoofing（欺骗）攻击，车载摄像头、毫米波雷达、LiDAR等感知设备是车辆环境感知的核心，攻击者可通过激光干扰、虚假交通标识投影、GPS信号伪造等方式篡改传感器输入，导致车辆做出错误决策，已有研究证明，通过在道路旁设置特定图案的贴纸，可让自动驾驶车辆的图像识别系统将停止标识误判为限速标识，诱发交通事故。其三，用户身份认证薄弱，当前车联网多采用账号密码、蓝牙配对等简单身份验证方式，缺乏多因子、生物特征级别的身份认证机制，存在身份冒用、越权访问车辆功能的风险。（二）边侧安全威胁边缘节点是车联网边缘架构的核心枢纽，也是攻击者的重点目标。首先，边缘节点物理部署分散，路侧单元、基站边缘服务器多部署在户外开放环境，缺乏严格的物理防护，攻击者可直接物理接触设备进行刷机、植入恶意代码，甚至替换节点硬件，2024年某智慧交通试点城市曾出现多起RSU被恶意篡改配置的事件，攻击者通过修改路侧单元的信号灯推送指令，向周边车辆发送虚假绿灯信号，造成交通混乱。其次，边缘计算资源共享带来租户隔离风险，多数边缘服务器采用虚拟化技术同时承载多类业务（如交通管控、自动驾驶、娱乐服务等），不同业务、不同车企的计算任务运行在同一物理节点上，若虚拟化隔离机制存在漏洞，攻击者可通过侧信道攻击、虚拟机逃逸等方式窃取其他租户的敏感数据，或占用其他任务的计算资源导致安全类计算任务资源不足、响应延迟。第三，边缘节点的安全防护能力参差不齐，部分老旧边缘设备未部署入侵检测、防火墙等安全组件，且存在固件更新不及时、漏洞长期未修复的问题，极易成为攻击者入侵整个车联网系统的跳板。（三）传输安全威胁车联网边缘环境下的传输链路包括端边通信（V2I）、边边通信（RSU之间、边缘服务器之间）、边云通信三类，均存在不同程度的安全风险。端边通信多采用DSRC（专用短程通信）或C-V2X技术，无线信道的开放性使得数据传输易被窃听、篡改，传统TLS/SSL加密协议握手过程时延较高，难以适配车联网高速移动场景下的频繁切换需求，车辆在不同RSU覆盖范围之间移动时，常出现认证中断、密钥协商失败的问题，攻击者可利用该间隙发起中间人攻击，插入虚假数据。边边通信与边云通信多采用有线或无线回传网络，若传输过程未进行完整性校验，攻击者可通过劫持路由、篡改数据包等方式，篡改边缘节点之间的协同决策信息，或向云端上传虚假的全局交通数据，干扰宏观交通调度。此外，大量车路协同数据以明文或弱加密方式传输，2025年某安全团队监测发现，国内超过30%的城市路侧单元推送的路况信息未进行加密，攻击者可轻松获取周边车辆的行驶轨迹、车牌信息等敏感数据。（四）协同安全威胁“云-边-端”协同是边缘计算车联网的核心特征，也带来了跨层级的协同安全风险。一是身份协同信任问题，当前车联网缺乏统一的跨域身份信任体系，不同车企、不同运营商、不同交通管理部门的边缘节点之间、边缘节点与车辆之间没有统一的身份认证标准，车辆跨区域行驶时，常出现身份不被异地边缘节点信任的问题，同时也存在攻击者伪造合法边缘节点身份向车辆下发恶意指令的风险。二是协同计算的隐私保护问题，车联网边缘场景下的联邦学习、分布式协同训练等技术需要多个边缘节点、车辆共同参与模型训练，若缺乏安全的隐私计算机制，攻击者可通过梯度反转、成员推断等攻击方式，从共享的模型参数中反推出参与方的原始训练数据，导致车辆驾驶数据、用户隐私泄露。三是协同决策的一致性风险，车路协同场景下，车辆的行驶决策需要结合周边多个边缘节点、其他车辆的感知数据共同做出，攻击者若控制部分边缘节点或车辆发送虚假数据，可能误导协同决策系统做出错误判断，甚至引发连环交通事故。三、边缘计算下的车联网安全关键技术进展针对上述安全威胁，学术界与产业界围绕边缘计算的技术特性，从身份认证、数据安全、威胁检测、隐私保护等多个维度开展了大量研究，形成了一系列适配车联网边缘场景的安全技术方案。（一）轻量级身份认证与访问控制技术适配车联网边缘节点资源受限、车辆高速移动的特点，轻量级身份认证技术成为研究热点。基于物理不可克隆函数（PUF）的身份认证方案被广泛应用于车载设备与边缘节点的身份验证，PUF利用芯片制造过程中产生的固有物理差异生成唯一“硬件指纹”，无需存储密钥即可完成身份认证，计算开销仅为传统非对称加密的1/10，能够在低算力车载设备上快速完成认证，有效抵御物理克隆与密钥泄露攻击。针对车辆高速移动下的快速切换认证需求，基于区块链的分布式身份认证体系逐渐落地，通过将车辆与边缘节点的身份信息上链存储，构建去中心化的信任根，车辆在不同边缘节点之间切换时，无需与远端云端交互，通过本地区块链节点即可完成身份核验，切换认证时延可控制在5ms以内，满足高移动场景需求。在访问控制层面，基于属性的访问控制（ABAC）与边缘计算结合的方案能够实现细粒度的权限管控，根据车辆的属性（如车辆类型、权限等级、所在区域）、边缘节点的属性、环境属性（如时间、交通状况）动态分配访问权限，可灵活适配不同车联网业务场景的安全需求，目前已在部分城市的自动驾驶测试区实现应用，有效解决了不同优先级车辆的路侧资源访问权限管控问题。（二）边缘侧数据安全防护技术边缘场景下的数据安全防护围绕数据生命周期的全链路展开，在数据传输阶段，基于轻量级密码算法的传输加密方案得到广泛研究，国内密码学界提出的SM9标识密码算法被适配到车联网V2X通信场景，无需预存大量公钥证书即可完成数据加密与签名，签名验证速度较传统RSA算法提升40%，同时满足国密合规要求，目前已被纳入C-V2X安全标准体系。在数据处理阶段，边缘节点部署的同态加密、安全多方计算技术可实现“数据可用不可见”，多个边缘节点在不共享原始数据的前提下即可完成协同数据计算，如交通流量预测、交通事故研判等任务，有效避免了数据处理过程中的隐私泄露。针对数据篡改问题，基于边缘缓存与区块链结合的数据存证技术能够实现数据的可追溯、不可篡改，路侧单元采集的交通数据、车辆上报的感知数据在边缘节点完成哈希运算后上链存证，后续任何数据篡改都会被快速识别，2025年上线的某国家级车联网先导区数据存证平台，采用该方案实现了100%的篡改数据识别率，数据追溯响应时间小于2秒。（三）分布式入侵检测与威胁响应技术边缘计算的分布式特性为车联网入侵检测提供了新的技术路径，基于联邦学习的分布式入侵检测系统（IDS）是当前研究的主流方向。该方案在边缘节点与车载单元本地部署轻量级检测模型，各节点利用本地数据训练模型后，仅向云端上传模型参数而非原始数据，在保护数据隐私的同时实现全局威胁特征的共享，能够有效检测已知攻击与未知零日攻击。相较于传统集中式IDS，该方案的检测准确率提升了15%，且检测时延降低60%，可实现对车载系统入侵、虚假数据注入、拒绝服务攻击等各类威胁的实时识别。在威胁响应层面，边缘节点构建了“本地隔离-协同处置-云端溯源”的三级响应机制，当边缘节点检测到本地车辆或下属节点受到攻击时，可第一时间下发隔离指令，切断攻击链路，同时将攻击特征同步至周边边缘节点与云端，实现全网协同防护，攻击处置响应时间从传统云端架构的分钟级缩短至毫秒级，能够有效遏制攻击扩散。此外，基于数字孪生的边缘安全仿真技术逐渐应用于威胁预判，通过在边缘节点构建车联网运行场景的数字孪生模型，模拟各类攻击行为对系统的影响，提前识别潜在安全漏洞，实现被动防护向主动预判的转变。（四）隐私增强计算技术针对车联网场景下的位置隐私、驾驶行为隐私保护需求，边缘计算结合隐私增强技术形成了多类解决方案。基于差分隐私的位置隐私保护方案在边缘节点对车辆上报的位置数据添加噪声扰动，在不影响交通流量统计等宏观计算结果准确性的前提下，避免攻击者通过位置数据反推出车辆的行驶轨迹与用户个人信息，已有实验证明，该方案可使轨迹重识别攻击的成功率降低至5%以下，同时数据可用性保持在90%以上。基于联邦学习的驾驶行为模型训练技术，让多个车企的边缘节点在不共享原始驾驶数据的情况下共同训练自动驾驶模型，既解决了单一车企数据量不足导致模型精度低的问题，又避免了跨企业数据共享带来的隐私泄露风险，2024年国内多家车企联合成立的车路协同数据安全共享平台，采用该技术实现了自动驾驶模型训练效率提升30%，且未发生任何数据泄露事件。此外，基于边缘计算的匿名化处理技术可对车辆身份、车牌信息、用户标识等敏感数据在边缘节点完成脱标识处理后再上传云端，从源头避免了用户隐私数据在云端的集中存储风险。四、当前技术落地的挑战与未来研究方向尽管边缘计算赋能车联网安全的技术研究已取得诸多进展，但在大规模落地应用过程中仍面临一系列挑战。首先是标准体系不统一，当前车联网边缘安全的技术标准、数据格式、接口规范、信任体系缺乏跨行业、跨区域的统一标准，不同厂商的边缘设备、安全组件之间互操作性差，难以形成协同防护能力，需要国家层面统筹车联网、交通、通信、汽车等行业主管部门，共同构建完善的安全标准体系。其次是资源约束与安全需求的矛盾，大量低算力车载设备、老旧边缘节点难以承载复杂的安全算法，如何在有限的计算、存储、带宽资源下实现最优安全防护，是未来需要解决的核心问题，轻量级密码算法、轻量化安全模型的研究仍需进一步突破。第三是跨域信任协同问题，车联网涉及车企、通信运营商、交通管理部门、互联网服务商等多个参与主体，不同主体之间的信任边界、责任划分不清晰，缺乏统一的跨域身份信任与数据共享安全机制，制约了跨区域、跨行业的安全协同。未来的研