该研究针对自主交叉口管理（AIM）系统的网络攻击防御问题，提出了一种基于强化学习（RL）的框架。AIM 系统通过车辆与基础设施（V2I）通信优化交通流，但其网络依赖性使其面临拒绝服务（DoS）、数据操纵和恶意软件等威胁。研究者利用近端策略优化（PPO）和优势行动者-评论家（A2C）两种强化学习算法，在数字孪生仿真环境中训练智能体，使其能够实时检测并缓解上述攻击。实验结果表明，所提框架能有效提升 AIM 系统的自适应安全韧性，在保障交通效率的同时抵御恶意行为。该工作为智能交通系统（ITS）的主动防御提供了新思路，证明了强化学习在动态、高安全保障场景中的潜力。