本文针对智能交通系统中基于图神经网络（GNN）的交通流量预测模型，重新审视了其对抗鲁棒性。作者认为先前研究采用的威胁模型不切实际，如假设攻击者拥有完整模型知识或进行全局非目标扰动，因此对攻击和防御的评估均有偏差。实际攻击者通常只能利用有限知识，监测并操纵少量路侧传感器，且攻击目标是局部的——例如使特定路段或路径的预测出现错误，导致行车时间误判或诱导绕行，而整个网络的其他部分几乎不受影响。这种定位明确的攻击在以往研究中未被充分探索，且现有防御如对抗训练，难以从训练时使用的范数有界扰动迁移到结构完全不同、符合物理拥堵规律的攻击上。为此，作者提出将鲁棒性问题视为检测任务：训练一个物理信息感知的检测器，其输出作为输入特征并入后续加固预测模型，同时在保持预测模型固定时对检测器进行自适应攻击训练。作者在多种模型架构和基准数据集上评估，结果显示物理感知攻击能让目标链路预测误差增大数倍而全局误差几乎不变，而针对范数有界扰动调优的对抗训练对此几乎无效。作者提出的检测-缓解防御在15个模型-数据集设置中的13个上超过直接用物理感知攻击进行对抗训练的模型，并在留出攻击上取得最大优势，同时几乎零干净性能损失。结果强调了在应用特定约束下审视抽象AI对抗攻击的必要性，以评估真实安全影响。