ENHANCING TRUSTWORTHINESS OF IOT-ENABLED AUTOMATED VEHICLE LOCALIZATION SYSTEMS

Olena Sevostianova; Nataliia Kosenko; Vladlen Filippov; Maksym Diachenko; Ivan Kharakhaichuk

doi:10.26906/SUNZ.2025.4.017

Автор(и)

Olena Sevostianova
Nataliia Kosenko
Vladlen Filippov
Maksym Diachenko
Ivan Kharakhaichuk

DOI:

https://doi.org/10.26906/SUNZ.2025.4.017

Ключові слова:

автономні транспортні засоби, надійність IoT, виявлення аномалій, федеративне навчання, сенсорна інтеграція, кібербезпека

Анотація

Актуальність. Автономні транспортні засоби покладаються на багатосенсорні системи локалізації, що функціонують у межах інфраструктури Інтернету речей, утворюючи взаємопов’язані вразливості, пов’язані з аномаліями сенсорів, відмовами мережі та кіберзагрозами, які потребують комплексних рішень для подолання проблем на рівні як транспортного засобу, так і інфраструктури. Об’єкт дослідження – системи локалізації автоматизованих транспортних засобів, що працюють в середовищі IoT і вимагають надійної роботи за несприятливих умов, зокрема у разі відмов сенсорів, атак із підміною сигналів GPS та збоїв інфраструктури. Мета статті – розробка та валідація єдиної рамкової моделі стійкості, яка інтегрує трансформерні методи виявлення аномалій у потоках даних бортових сенсорів із федеративними агентами навчання, розгорнутими на IoT-шлюзах, що забезпечує відновлення роботи після інфраструктурних збоїв менш ніж за секунду при збереженні точності локалізації. Результати дослідження. Запропонована модель забезпечує точність виявлення аномалій на рівні 94–98 % при збереженні похибки локалізації менш ніж 0,5 м у разі відмов. Компонент федеративного навчання демонструє зниження комунікаційних витрат на 40 % у порівнянні з централізованими підходами та забезпечує відновлення роботи після відмови інфраструктури менш ніж за секунду. Інтеграція пояснюваного машинного навчання дає змогу отримувати інтерпретовані попередження завдяки механізмам уваги трансформера, що дозволяє виконувати діагностику системи в реальному часі. Висновки. Єдина рамкова модель ефективно вирішує ключові виклики впровадження автономних транспортних засобів шляхом поєднання багаторівневого виявлення аномалій, узгодженого поширення повідомлень про надійність та методів пояснюваного ШІ, забезпечуючи комплексну основу для довіреної роботи автономних транспортних засобів у середовищі розумних міст, інтегрованих з IoT.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. A. Hanif, N. Ullah, M. Ahmed, S. M. Tahir, A. Ali, and H. Abbas, "Intrusion detection system for controller area network," Cybersecurity, vol. 7, article 5, 2024. https://doi.org/10.1186/s42400-023-00195-4.

2. W. Liu, H. Zhou, K. Chen, Y. Qiu, L. Gao, Y. Liu, and Y. Li, "Transformer-based multivariate time series anomaly detection using inter-variable attention mechanism," Knowledge-Based Systems, vol. 290, article 111507, 2024. https://doi.org/10.1016/j.knosys.2024.111507.

3. M. A. Khan, K. Salah, I. Yaqoob, S. Jayaraman, Y. Al-Hammadi, and D. B. Rawat, "Enhancing Autonomous Vehicle Security: Federated Learning for Detecting GPS Spoofing Attack," Transactions on Emerging Telecommunications Technologies, vol. 36, no. 4, e70138, 2025. https://doi.org/10.1002/ett.70138.

4. H. Cheng, Z. Wang, S. Das, M. LaPorta, and T. La Porta, "Anomaly Detection Against GPS Spoofing Attacks on Connected and Autonomous Vehicles Using Learning From Demonstration," IEEE Transactions on Intelligent Transportation Systems, vol. 24, no. 9, pp. 9516–9532, 2023. https://doi.org/10.1109/TITS.2023.3269029.

5. D. Berdik, S. Otoum, N. Schmidt, D. Porter, and Y. Jararweh, "A survey on blockchain for information systems management and security," Information Processing & Management, vol. 58, no. 1, 2021. https://doi.org/ 10.1016/j.ipm.2020.102397.

6. A. Bouchaib Koubaâ, M. Sriti, Y. Touati, A. Aggoune, M. Hadded, and H. Labiod, "Security of federated learning with IoT systems: Issues, limitations, challenges, and solutions," Internet of Things and Cyber-Physical Systems, vol. 3, pp. 155–179, 2023. https://doi.org/10.1016/j.iotcps.2023.04.005.

7. P. M. Kumar and U. Devi Gandhi, "An optimal federated learning-based intrusion detection for IoT environment," Scientific Reports, vol. 15, article 6509, 2025. https://doi.org/10.1038/s41598-025-93501-8.

8. D. Kwon, H. Kim, J. Kim, S. C. Suh, I. Kim, and K. J. Kim, "A survey of deep learning-based network anomaly detection," Cluster Computing, vol. 22, no. 1, pp. 949–961, 2019. https://doi.org/10.1007/s10586-017-1117-8.

9. A. A. Banafa, A. A. Zaidan, B. B. Zaidan, S. K. Towey, and A. H. Alamoodi, "Design and Experimental Assessment of RealTime Anomaly Detection Techniques for Automotive Cybersecurity," Sensors, vol. 23, no. 22, article 9231, 2023. https://doi.org/10.3390/s23229231.

10. K. Song, X. Tan, M. Ding, J. Wang, C. Ge, J. Guo, and W. Xu, "Multivariate time series anomaly detection with adversarial transformer architecture in the Internet of Things," Future Generation Computer Systems, vol. 143, pp. 244–254, 2023. https://doi.org/10.1016/j.future.2023.02.006.