该论文聚焦网联汽车（Connected Vehicles）中车联网（V2X）通信的安全与时间约束耦合问题。核心背景是：网联汽车必须在约100毫秒内判断接收到的基本安全消息（BSM）是否真实；若伪造的紧急制动警报及时进入规划管线，车辆会误刹车，导致安全失效由安全失效触发。现有入侵检测系统（IDS）按单车、单消息、静态规则运行，无法处理这种耦合，既看不到跨车队或跨时间涌现的攻击模式，也无法解决“丢弃可疑消息”与“丢弃真实紧急警报”之间的根本矛盾。论文提出一种三层多智能体架构，将时间约束作为硬性设计要求而非性能目标：第一层为车载智能体，在10毫秒预算内将每条V2X消息分为接受（Accept）、丢弃（Drop）、隔离（Quarantine）或上报（Escalate）四类动作，并在不确定时故意偏向Escalate，将模糊案例传递给路侧边缘智能体，以避免误丢合法警报；第二层为路侧边缘智能体，在50毫秒预算内融合多车辆的威胁评估，利用互补传感器观测解决安全-安全冲突；第三层为云端，通过拜占庭容错的联邦学习优化检测模型，并将更新权重重新分发到车队。所有时间预算直接源自SAE J2735和ETSI EN 302 637-2规定的100毫秒BSM周期。论文声称，现有框架没有同时为三层部署位置分配基于标准的延迟预算，也没有将安全-安全冲突消解作为一等设计约束。最后讨论开放问题：边缘侧投毒攻击，以及缺乏监管框架来规范自主安全响应。该研究适合车联网安全、嵌入式系统安全、多智能体系统和联邦学习方向的研究者阅读。

本研究针对联网车辆（CV）面临的Sybil攻击威胁，提出了一种基于车载数字孪生（DT）的碰撞预警框架，该框架内嵌了Sybil攻击检测能力。Sybil攻击中，攻击者通过伪造多个虚假车辆身份来欺骗通信系统，可能引发安全事故。框架核心包含两部分：一是时序卷积网络（TCN），用于学习车辆轨迹数据中的时间依赖性；二是分层可导航小世界（HNSW）算法，用于基于相似性的高效分类，从而识别虚假车辆。通过实地实验收集真实Sybil攻击数据，框架在检测虚假车辆时达到0.984的准确率、1.00的召回率和0.944的F1分数。安全评估方面，该框架将接近碰撞事件的暴露时间均值（TET）和积分时间均值（TIT）分别降低了88%和72%。此外，真实环境可行性测试表明，框架满足安全应用标准允许的最大延迟，且运行负载在现代处理器容量范围内，证明了车载DT框架作为下一代CV的Sybil攻击缓解机制的潜力。

该论文研究了协作感知（CP）系统中的信任机制安全性。协同感知允许联网自动驾驶车辆共享传感器数据并联合推理环境，现有的防御机制通过跨车辆不一致性检测和信任估计来惩罚与多数观察冲突的车辆。然而，本文指出这类防御本身引入了新的攻击面。作者提出TrustFlip攻击，通过部署真实的物理对抗物体，使良性车辆之间产生不一致的观察结果，从而被防御机制误认为是目标车辆的行为，导致其信任度下降，最终被降权或排除出协作。实验表明，该攻击在多达87.7%的场景中成功移除目标车辆，并使平均精度（AP）下降最多13%。作为初步缓解，作者提出TrustReflect——一种轻量级自反射机制，将争议区域标记为不确定并排除出信任评估，可将攻击成功率降低35-100%。该论文揭示了自动驾驶协同感知中信任机制的新漏洞，对设计更鲁棒的协作感知系统具有重要警示意义。

本文介绍SECV（Securing Connected Vehicles with Hardware Trust Anchors），该系统旨在利用硬件信任锚（如安全元件或可信执行环境）保护联网车辆的安全性。论文已被NDSS 2026 Fall接收，并提供了开源的实现工件，包含可在S32G3硬件上直接运行的.sdcard镜像文件、补丁和操作指南。研究背景是：随着车联网（V2X）和自动驾驶技术的发展，车辆面临日益严重的网络攻击威胁，传统软件安全机制不足，亟需基于硬件的信任根来确保关键操作的安全性。SECV的核心方法是将硬件信任锚集成到车辆系统中，作为安全启动、安全通信和运行时完整性验证的基础。主要贡献包括：设计并实现了一套针对车联网场景的硬件信任锚方案，在NXP S32G3平台上进行了验证，并开源了完整代码和构建脚本，便于学术界和工业界复现和评估。适合汽车安全研究人员、嵌入式系统安全工程师以及关注车联网安全的从业者阅读。