本文提出 ICVAT，一个开源的中间人（MitM）攻击可视化、分析与交通流量优化工具包，旨在弥补智能交通系统（ITS）领域对 MitM 攻击实际运行后果及工程缓解策略研究不足的问题。与大多数聚焦底层通信协议安全的工作不同，ICVAT 结合 SUMO 交通仿真器，从系统层面评估攻击对交通安全与效率的影响。工具包使用基于真实数据校准的驾驶员模型，提供可信的安全和效率评估。其模块化组件覆盖攻击场景设计、基于强化学习的攻击检测、基于交通流特征的优化以及可视化分析，支持用户在个体（如单车）和网络（如交叉口群）两个粒度上进行模拟推演（what-if）。通过捕捉复杂驾驶员行为和交叉口动态，ICVAT 展示了网络攻击如何沿交通流传播，并帮助识别有效的缓解措施，可服务于研究、教学和行业演示。该平台为交通工程师、自动驾驶安全研究者和网络防御者提供了一个共同实验环境，为后续开发面向交通场景的针对性防护策略打下基础。

本文研究攻击者如何通过操纵视频帧来破坏基于视频感知系统的安全性。这类系统广泛应用于智能交通，支撑着交通信号优化、行人检测等安全关键功能。作者提出了一种端到端的快速目标移除攻击框架，可在视频帧中删除特定目标（如车辆、行人），同时保持视觉连贯性。框架分为四步：首先在每一帧中定位目标，然后从先前帧中检索与该目标所在区域最相似的背景补丁，接着利用上下文敏感的alpha混合将补丁无缝融入，最后重建整个攻击帧。该方法不依赖对抗噪声，而是利用视频时间一致性生成自然的内容。实验在南卡罗来纳州互联车辆测试平台的交叉口场景中进行，结果显示重建帧与真实帧的PSNR超过40dB、SSIM超过0.996，在感知上几乎不可察觉。面对基于YOLO的检测器，目标检测数量最多减少97.59%，单帧攻击成功率达到94.48%。在GPU环境下，每帧处理时间为0.074至0.172秒，接近实时要求。取证方面，多个预训练的篡改检测模型无法可靠区分重建帧与真帧，说明攻击具有高度隐蔽性。该研究首次系统性地评估了视频感知系统中目标移除攻击的可行性，揭示了此类安全关键系统在对抗环境下的脆弱性，并为后续防御研究（如视频内容认证、异常检测）提供了理论依据和实验基础。对于从事自动驾驶、智慧交通安全的工程师和研究者，本文具有重要参考价值。

该论文针对车联网通信网络中机器学习模型用于误行为检测时存在的“黑箱”问题，提出了一种将可解释人工智能（XAI）与大语言模型（LLM）相结合的新型框架，旨在提供透明、用户友好的解释，从而增强非专业用户（如网络运营商、监管人员）对系统预测结果的信任。具体而言，框架利用XAI（如SHAP）量化每个特征对检测结果的贡献，生成可视化解释；同时，通过引入上下文增强的LLM，将技术性的SHAP输出转化为易于理解的自然语言叙述。在真实车载网络数据集上的实验表明，该方法在保持高检测性能的同时，显著提升了可解释性。研究贡献在于首次将XAI与LLM协同应用于智能交通系统的误行为检测场景，兼顾了检测精度与用户信任需求。适合关注AI安全、可解释人工智能、智能交通系统、人机交互的研究人员和工程师阅读。