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车联网作为物联网技术在交通领域的典型应用，通过车与车（V2V）、车与路侧设施（V2I）、车与云平台（V2C）的全场景互联，实现了车辆状态感知、交通动态调度、自动驾驶协同等核心功能。随着高级别自动驾驶技术的落地，车联网网络中每秒产生的交互数据量已达GB级，传统集中式云平台架构在数据传输时延、算力响应速度上逐渐难以满足毫秒级安全决策需求，边缘计算技术通过将算力下沉到网络边缘节点，为解决车联网低时延、高可靠的安全防护需求提供了新的技术路径。一、边缘计算赋能车联网安全的核心场景边缘计算节点在车联网架构中通常部署于路侧单元（RSU）、5G基站、区域服务站等位置，与车辆端的物理距离通常在100米到5公里范围内，端到端传输时延可控制在10ms以内，能够对车辆上报的安全相关数据进行本地化实时处理，核心应用场景覆盖三大类：（一）车端可信身份认证场景传统车联网身份认证依赖云平台统一签发证书，当区域内同时有上百辆车辆发起认证请求时，云平台响应时延可能超过200ms，无法满足车辆高速行驶场景下的认证需求。边缘计算节点可作为本地化根证书代理节点，预先存储区域内合法车辆的身份白名单，车辆接入网络时首先向边缘节点提交身份凭证，边缘节点在本地完成证书校验与权限发放，认证响应时延可降低至30ms以内。北京亦庄高级别自动驾驶示范区的测试数据显示，采用边缘认证架构后，车辆跨RSU切换时的身份中断时长从120ms下降至15ms，有效避免了认证时延导致的车辆协同决策失误。（二）实时安全威胁检测场景车联网网络中的恶意攻击类型涵盖消息伪造、位置欺骗、拒绝服务攻击等多种形式，其中虚假协同感知消息攻击会直接误导自动驾驶系统的路径规划，是当前威胁等级最高的攻击类型之一。传统基于云平台的威胁检测机制需要将车辆上报的所有感知数据回传至云端进行特征匹配，传输与处理总时延通常超过100ms，无法对高速移动场景下的攻击做出实时响应。边缘计算节点可加载轻量级入侵检测模型，对覆盖范围内车辆交互的V2V消息进行实时校验，通过比对多辆车辆上报的同一路段感知数据一致性，可在5ms内识别出伪造的交通事件消息。2025年国内某车企网联安全测试数据显示，边缘侧威胁检测对虚假碰撞预警消息的识别准确率达99.7%，响应速度较云端检测提升了18倍。（三）数据安全本地化处理场景车联网数据包含车辆精确位置、行驶轨迹、驾驶员驾驶习惯等敏感信息，传统全量数据回传云端的模式存在数据泄露风险。《汽车数据安全管理若干规定》明确要求，汽车行驶过程中收集的敏感个人信息应当依法依规进行本地化存储，确需向境外提供的应当进行安全评估。边缘计算节点可实现敏感数据的本地化过滤与脱敏处理，车辆上报的原始数据仅在边缘节点进行计算处理，提取出的交通流量、事件预警等非敏感信息才回传至云平台，从根源上降低了敏感数据跨区域传输的泄露风险。上海智能网联汽车试点区的实践表明，采用边缘数据处理架构后，车辆敏感数据的跨网络传输量减少了87%，数据泄露事件发生率下降了92%。二、当前边缘车联网安全面临的核心技术挑战尽管边缘计算为车联网安全防护带来了性能提升，但边缘节点分布式部署的架构特性也引入了新的安全风险，当前技术落地过程中面临的核心挑战主要集中在三个层面：（一）边缘节点自身安全防护能力不足车联网边缘节点通常部署在户外路侧、基站铁塔等开放环境，物理防护难度远高于云端数据中心。攻击者可通过物理接触方式破解边缘节点硬件，窃取存储在节点中的证书密钥、车辆身份信息等敏感数据，甚至向节点注入恶意代码，控制边缘节点向覆盖范围内的车辆发送虚假交通指令。同时，边缘节点的算力与存储资源相对有限，无法部署与云端同等规格的防火墙、入侵防御系统等安全防护软件，面对分布式拒绝服务（DDoS）攻击时的防护能力较弱。2024年国内某智能网联测试区发生的边缘节点被攻陷事件中，攻击者通过物理接口接入路侧边缘节点，仅用12分钟就获取了节点的root权限，随后向周边27辆自动驾驶车辆发送了虚假的行人避让指令，导致3辆车辆紧急制动触发后车追尾。（二）跨边缘节点的信任协同机制缺失车辆在行驶过程中会频繁切换连接不同的边缘节点，不同边缘节点所属的运营主体可能存在差异，当前行业尚未形成统一的跨域信任标准。车辆从A区域边缘节点切换到B区域边缘节点时，需要重新进行完整的身份认证流程，且不同边缘节点存储的威胁情报数据无法实时共享，A区域识别出的恶意车辆信息无法实时同步到B区域，导致恶意车辆可利用跨区域切换的时间差发起持续攻击。欧盟2025年车联网安全调研报告显示，由于跨边缘信任机制缺失，欧盟境内跨城市行驶的网联车辆平均每月需要完成47次重复身份认证，其中12%的认证过程存在被中间人攻击的风险。（三）轻量级安全算法适配性不足边缘节点的算力资源远低于云端数据中心，当前主流的深度学习类威胁检测模型参数规模通常在亿级以上，直接部署到边缘节点会占用超过90%的算力资源，导致边缘节点无法同时处理多辆车辆的安全检测请求。而传统轻量级检测算法的特征库覆盖范围有限，对未知攻击类型的识别准确率不足70%，难以应对车联网环境中不断演变的攻击手段。如何在算法检测准确率与资源消耗之间找到平衡，是当前边缘侧安全技术落地面临的核心瓶颈之一。国内某网联安全企业2025年的测试数据显示，将云端训练的参数规模为1.2亿的威胁检测模型压缩后部署到边缘节点，模型识别准确率从98.3%下降至82.1%，漏报率提升了11个百分点，无法满足自动驾驶场景的安全要求。三、边缘车联网安全技术的研究进展针对上述挑战，全球学术界与产业界从硬件安全、信任架构、算法优化等多个维度开展了技术研究，部分成果已进入试点应用阶段。（一）边缘节点硬件安全增强技术针对边缘节点物理攻击防护需求，基于可信执行环境（TEE）的安全防护方案成为研究热点。该方案在边缘节点硬件中内置独立的安全处理单元，敏感数据的计算与存储全部在安全隔离区域内完成，即使攻击者获取了节点的操作系统权限，也无法访问安全区域内的密钥与敏感数据。同时，基于物理不可克隆函数（PUF）的节点身份认证技术可根据硬件电路的固有物理特性生成唯一的身份标识，避免攻击者克隆伪造边缘节点身份。2025年华为发布的车路协同边缘节点采用了TEE+PUF的双重安全架构，经测试可抵御99%以上的物理攻击与侧信道攻击，节点被物理破解的时间从传统架构的10分钟提升至超过72小时，为应急响应预留了充足时间。（二）分布式跨域信任架构为解决跨边缘节点的信任协同问题，区块链技术与联邦学习技术被广泛应用于分布式信任体系构建。基于联盟链的边缘信任架构可将不同运营主体的边缘节点作为联盟链节点，车辆身份信息、威胁情报数据通过链上分布式账本进行同步，所有节点的数据修改操作都可追溯，避免单点节点被攻陷后导致的信任数据篡改。联邦学习技术则可实现不同边缘节点的安全模型协同训练，各节点在不共享本地原始数据的前提下，共同优化威胁检测模型的准确率。2024年德国宝马集团联合博世等企业开展的边缘联邦学习试点显示，通过跨区域边缘节点的协同训练，边缘侧未知攻击的识别准确率从68%提升至92%，且训练过程中没有任何原始敏感数据的跨域传输。（三）轻量化安全算法优化针对边缘节点算力受限问题，算法研究主要围绕模型剪枝、量化、知识蒸馏等轻量化技术展开。通过移除深度学习模型中的冗余参数，将32位浮点数参数量化为8位整数，可将模型体积压缩至原来的1/10，推理速度提升6倍以上，同时准确率损失控制在2%以内。此外，基于transformer的轻量级模型架构也被应用于边缘侧威胁检测，其自注意力机制能够更好地捕捉车联网消息中的上下文关联特征，检测准确率较传统卷积神经网络提升了8个百分点。2025年清华大学车辆学院发布的轻量级入侵检测模型参数规模仅为2300万，在普通边缘节点上的单条消息检测时延仅为2.3ms，识别准确率达97.8%，已达到商用落地标准。四、未来技术发展趋势与落地建议随着车联网渗透率的持续提升，边缘计算安全技术将向更智能、更协同、更主动的方向发展，技术落地过程中需要从标准制定、技术验证、产业协同三个层面同步推进：在标准制定层面，需要加快建立统一的边缘车联网安全技术标准，明确边缘节点的安全防护等级、跨域信任交互协议、数据安全处理规范等核心要求，避免不同厂商设备之间的兼容性问题。2025年工信部已启动《车联网边缘计算安全技术要求》行业标准的制定工作，预计2027年正式发布实施。在技术验证层面，需要依托智能网联汽车测试区开展大规模场景验证，模拟极端天气、高密度车辆接入、高强度网络攻击等复杂场景，充分验证边缘安全技术的可靠性与稳定性。建议在全国范围内选择10个以上典型城市开展试点应用，积累不同场景下的安全防护经验。在产业协同层面，需要推动汽车厂商、通信运营商、边缘设备厂商、网络安全企业的深度合作，构建覆盖云、边、端全链路的安全防护体系。鼓励企业成立联合实验