该论文针对交通信号控制(TSC)这一安全关键信息物理系统提出了一种可部署的状态恢复防御框架 MDRC(Meta-Diffusion-based framework for Resilient traffic signal Control)。研究背景在于:TSC 依赖实时感知数据做配时决策,而对抗性扰动或传感器硬件故障都会导致观测数据被污染;由于感知层与控制层之间存在级联耦合,被污染的观测会一路传播进控制器,最终表现为交通效率下降、排队加剧甚至路网局部拥堵。作者指出既有基于鲁棒强化学习的 TSC 方法存在三个共性短板:跨城市泛化能力弱(换一个路网或流量分布即失效)、推理延迟高(难以满足秒级控制周期)、以及在部分可观测条件下恢复能力不足。 MDRC 的定位是一个"检测后(post-detection)状态恢复"模块,插在感知层与控制器之间,在不可信观测被控制器消费之前先重建出可信的交通状态。方法上它把两件事结合起来:一是用去噪扩散隐式模型(DDIM)做高效的状态恢复,借助其少步采样的特性控制推理开销;二是用 Reptile 元学习获得一个可跨城市迁移的初始化,使恢复模块在未见路网上也能快速适配。理论层面,作者给出了 DDIM 恢复动力学的基于优化的视角,并推导出一个恢复误差上界,把总误差分解为三个可分别归因的部分——score 函数近似误差、数值离散化误差、以及初始化失配误差,这为理解"为什么跨城市迁移会退化"提供了量化解释。 实验方面,作者在七个由真实世界数据衍生的 CityFlow 基准上评估:在随机攻击与策略感知攻击下平均行程时间(Average Travel Time)降低 6.77%,在结构化传感器丢失场景下降低 12.75%,同时状态恢复保真度指标改善。作者还做了真实路侧测量评估,人为禁用 50% 的检测器通道,累计 3600 秒;并将 MDRC 集成进一套硬件在环(hardware-in-the-loop)交通信号栈,进行了 9.16 小时、32,389 个感知/控制周期的连续运行,结果达到 99.79% 的决策可用性,未产生任何超出配时计划的推荐,单次 1 秒控制间隔内各组件处理耗时合计约 38 毫秒,说明其具备实际部署的实时性余量。 总体而言,该工作的贡献是:把扩散模型状态恢复与元学习初始化结合成可插拔的 TSC 防御组件,给出了恢复误差的可分解理论界,并用跨城市仿真 + 真实路侧 + 硬件在环三层证据链验证了有效性与工程可行性。适合关注 CPS/ICS 安全、自动驾驶与智能交通、AI 对抗鲁棒性以及城市交通运维的研究者和工程团队阅读。