Survey on Federated Learning Based Security Techniques for Connected Cars = 커넥티드 카를 위한 연합 학습 기반 보안 기술에 관한 설문조사

국문 초록 (Abstract)

사물인터넷 기술과 스마트 교통 시스템이 깊이 융합됨에 따라 커넥티드 카（Internet of Vehicles, IoV）는 차량, 도로 측면 유닛（Roadside Units, RSUs）과 클라우드의 실시간 데이터 인터랙션을 통해 교통 효율과 운행 안전을 현저하게 향상시켰다. 커넥티드 카는 데이터 공유 과정에서 심각한 프라이버시 유출과 악의적인 공격 위험에 직면해 있으며, 전통적인 중앙 집중식 기계 학습은 원시 데이터를 업로드해야 하기 때문에 프라이버시 보호와 모델 보안의 모순을 더욱 심화시켰다. 연방 학습（Federated Learning, FL）은 분산 학습 프레임워크로서 차량이 로컬에서 모델을 훈련하고 매개변수만 업로드할 수 있도록 하여 상술한 모순을 해결하는 새로운 아이디어를 제공하지만, 자동차 네트워크의 체인 아키텍처 특성으로 인해 연방 학습은 데이터 독극물, 모델 역방향 등 체인 악의적인 공격을 받기 쉽다.
이 글은 연방 학습에 기반한 커넥티드 카 반공격 기술을 중심으로 체계적인 조사를 전개하고, 먼저 자동차 네트워크와 연방 학습의 기술 기초를 정리하며, 자동차 네트워크에서의 연방 학습의 응용 우세와 안전 도전을 명확히 한다. 커넥티드 카 연방 학습 장면에서의 전형적인 공격 유형（데이터 투약, 모델 역방향, 구성원 추정 등）을 분류 분석하고 형식화 묘사를 통해 공격 모델을 구축한다. 그 후 차분 프라이버시, 동태 암호화 등 프라이버시 보호 메커니즘, 여현 유사도에 기초한 악의적 검측, 파라미터 교체 등 방어 전략 및 경도 재단 등 모델 노봉성 증강 방법을 포함한 반공격 핵심 기술을 깊이 연구한다. 실험을 통해 서로 다른 반격 기술의 성능을 검증한다. MNIST, CIFAR-10, UNSW-NB15, Car-Hacking 등 4개 데이터 세트에서 서로 다른 악성 노드 비율（0.1-0.5）을 비교한 결과, 제시된 기술과 기존 연방 평균（FedAvg）의 모델 정밀도, 방어 성공률 및 통신 비용 차이를 확인하였다. 실험 결과에 따르면 파라미터 교체와 다중 체인 병렬 전송의 방어 방안을 결합하여 악성 노드 비율이 0.4일 때 모델 정밀도는 MNIST와 CIFAR-10 데이터 세트에서 각각 92.3%와 78.5%를 유지하여 FedAvg보다 15.6%와 12.8% 향상되었고, 동시에 악성 노드 검출률은 91.2%에 달하였다. UNSW-NB15와 Car-Hacking 데이터 세트에서 이 시나리오는 여전히 90.5%와 92.3%의 검사 정밀도를 유지할 수 있으며 DoS, Fuzzy, Spoofing 등 3가지 차량용 공격에 대한 검사율은 88% 이상을 유지하고 있다. 본고의 연구는 커넥티드 카 연방 학습 시스템의 안전 배치에 기술적 참고를 제공했고 스마트 교통 시스템의 안전화 발전을 추진하는 데 중요한 의미를 가진다. 이 글은 연방 학습에 기반한 커넥티드 카 반공격 기술을 중심으로 체계적인 조사를 전개하고, 먼저 자동차 네트워크와 연방 학습의 기술 기초를 정리하며, 자동차 네트워크에서의 연방 학습의 응용 우세와 안전 도전을 명확히 한다; 커넥티드 카 연방 학습 장면에서의 전형적인 공격 유형 （데이터 투약, 모델 역방향, 구성원 추정 등） 을 분류 분석하고 형식화 묘사를 통해 공격 모델을 구축한다; 그 후 차분 프라이버시, 동태 암호화 등 프라이버시 보호 메커니즘, 여현 유사도에 기초한 악의적 검측, 파라미터 교체 등 방어 전략 및 경도 재단 등 모델 노봉성 증강 방법을 포함한 반공격 핵심 기술을 깊이 연구한다; 실험을 통해 서로 다른 반격 기술의 성능을 검증한다. MNIST, CIFAR-10, UNSW-NB15, Car-Hacking 등 4개 데이터 세트에서 서로 다른 악성 노드 비율 （0.1-0.5） 을 비교한 결과, 제시된 기술과 기존 연방 평균 （FedAvg） 의 모델 정밀도, 방어 성공률 및 통신 비용 차이. 실험 결과에 따르면 파라미터 교체와 다중 체인 병렬 전송의 방어 방안을 결합하여 악성 노드 비율이 0.4일 때 모델 정밀도는 MNIST와 CIFAR-10 데이터 세트에서 각각 92.3% 와 78.5% 를 유지하여 FedAvg보다 15.6% 와 12.8% 향상되었고, 동시에 악성 노드 검출률은 91.2% 에 달하였다. UNSW-NB15와 Car-Hacking 데이터 세트에서 이 시나리오는 여전히 90.5% 와 92.3% 의 검사 정밀도를 유지할 수 있으며 DoS, Fuzzy, Spoofing 등 3가지 차량용 공격에 대한 검사율은 88% 이상을 유지하고 있다. 본고의 연구는 커넥티드 카 연방 학습 시스템의 안전 배치에 기술적 참고를 제공했고 스마트 교통 시스템의 안전화 발전을 추진하는 데 중요한 의미를 가진다.

다국어 초록 (Multilingual Abstract)

With the deep integration of IoT technology and intelligent transportation systems, the Internet of Vehicles （IoV） significantly enhances traffic efficiency and driving safety through real-time data exchange between vehicles, Roadside Units （RSUs）, and the cloud. However, IoV faces severe risks of privacy breaches and malicious attacks during data sharing, while traditional centralized machine learning—requiring raw data uploads—further exacerbates the conflict between privacy protection and model security. Federated Learning （FL）, a distributed learning framework that enables vehicles to train models locally and upload only parameters, offers a novel solution to this dilemma. Nevertheless, the chain-like architecture of vehicle networks leaves federated learning vulnerable to chain-based malicious attacks such as data poisoning and model inversion.
This paper conducts a systematic investigation into federated learning-based counterattack techniques for connected vehicles. It first reviews the technical foundations of vehicle networking and federated learning, clarifying the application advantages and security challenges of federated learning in this context. The study categorizes and analyzes typical attack types in connected vehicle federated learning scenarios—including data poisoning, model inversion, and member inference—and constructs formal attack models. Subsequently, it delves into key counterattack technologies such as privacy protection mechanisms （e.g., differential privacy and homomorphic encryption）, defense strategies （e.g., cosine similarity-based malicious detection and parameter substitution）, and model robustness enhancement methods （e.g., gradient clipping）. Experimental evaluations across four datasets—MNIST, CIFAR-10, UNSW-NB15, and Car-Hacking—compare the performance of proposed techniques versus the traditional Federated Average （FedAvg） model, measuring differences in accuracy, defense success rates, and communication overhead under varying proportions of malicious nodes （0.1–0.5）. Experimental results demonstrate that the defense scheme combining parameter substitution and multi-chain parallel transmission achieves model accuracies of 92.3% on the MNIST dataset and 78.5% on the CIFAR-10 dataset when the proportion of malicious nodes is 0.4, representing improvements of 15.6% and 12.8% over FedAvg respectively, while achieving a malicious node detection rate of 91.2%. On the UNSW-NB15 and Car-Hacking datasets, the scheme maintains detection accuracies of 90.5% and 92.3%, with detection rates exceeding 88% for three types of vehicle attacks: DoS, Fuzzy, and Spoofing. This research provides technical references for the secure deployment of federated learning systems in connected vehicles and holds significant importance for advancing the secure development of intelligent transportation systems.

목차 (Table of Contents)

• 1 Introduction 1
• 1.1 Research Background and Significance 1
• 1.2 Challenges of Connected Vehicle Security and Privacy Protection 3
• 1.2.1 Data Heterogeneity and Privacy Leakage Risk 3
• 1.2.2 Dynamic Network Topology and Malicious Node Injection 4
• 1.2.3 Contradiction Between Real-time Requirements and Security Performance 4
• 1.2.4 Coordination of Multiple Attack Types and Defense Difficulty 5
• 1.3 Application Value of Federated Learning in IoV 6
• 1.4 Research Objectives and Main Content 9
• 1.4.1 Research Objectives 9
• 1.4.2 Main Content 10
• 2. IoV and Federated Learning Fundamentals 13
• 2.1 IoV Architecture and Communication Model 13
• 2.1.1 Perception Layer: The Core of Data Collection 14
• 2.1.2 Network Layer: The Bridge of Data Transmission 15
• 2.1.3 Application Layer: The Carrier of Intelligent Services 16
• 2.2 Basic Principles and Process of Federated Learning 17
• 2.2.1 Core Concepts of Federated Learning 17
• 2.2.2 Basic Process of Federated Learning 18
• 2.2.3 Key Indicators of Federated Learning 22
• 2.3 Typical Application Scenarios of Federated Learning in IoV 23
• 2.3.1 Autonomous Driving Model Training 24
• 2.3.2 Traffic Flow Prediction and Management 25
• 2.3.3 Smart Parking Management 26
• 2.3.4 Vehicle Fault Diagnosis and Prediction 28
• 2.4 Limitations of Existing Security and Privacy Protection Technologies 29
• 2.4.1 Accuracy Loss Problem of Differential Privacy 29
• 2.4.2 High Computational and Communication Overhead of Homomorphic Encryption 30
• 2.4.3 Insufficient Adaptability of Malicious Node Detection Mechanisms 31
• 2.4.4 Contradiction Between Model Robustness and Real-Time Performance 32
• 3. Security Threats and Attack Models in IoV 34
• 3.1 Data Poisoning Attack 34
• 3.1.1 Attack Principles and Implementation Steps 34
• 3.1.2 Attack Targets and Harm 35
• 3.1.3 Attack Classification 36
• 3.2 Model Inversion Attack 37
• 3.2.1 Attack Principles and Implementation Steps 37
• 3.2.2 Attack Targets and Harm 39
• 3.3 Membership Inference Attack 40
• 3.3.1 Attack Principles and Implementation Steps 40
• 3.3.2 Attack Targets and Harm 42
• 3.4 Adversarial Example Attack 43
• 3.4.1 Attack Principles and Implementation Steps 43
• 3.4.2 Attack Targets and Harm 45
• 3.5 Formal Description of Attack Models 46
• 3.5.1 Formal Description of Data Poisoning Attack 46
• 3.5.2 Formal Description of Model Inversion Attack 47
• 3.5.3 Formal Description of Membership Inference Attack 48
• 3.5.4 Formal Description of Adversarial Example Attack 49
• 4. Key Anti-Attack Technologies Based on Federated Learning 51
• 4.1 Privacy Protection Mechanisms 51
• 4.1.1 Differential Privacy 51
• 4.1.2 Homomorphic Encryption 54
• 4.1.3 K-Anonymity Set and Pseudonym Mechanism 57
• 4.2 Malicious Node Detection and Defense 60
• 4.2.1 Cosine Similarity-Based Model Verification 60
• 4.2.2 Parameter Replacement and Early Stopping Strategy 64
• 4.2.3 Multi-Chain Parallel Transmission and Malicious User Tracking 67
• 4.3 Model Robustness Enhancement Methods 69
• 4.3.1 Gradient Clipping and Noise Injection 70
• 4.3.2 Multi-Model Integration and Consensus Mechanism 72
• 5. Experimental Design and Performance Evaluation 75
• 5.1 Experimental Environment and Dataset Introduction 75
• 5.1.1 Experimental Hardware Environment 75
• 5.1.2 Dataset Selection and Preprocessing 77
• 5.2 Model Architecture and Training Parameter Settings 79
• 5.2.1 Model Architecture Design 79
• 5.2.2 Training Parameter Configuration 82
• 5.3 Attack Scenario Settings and Malicious Node Ratio Variation 84
• 5.3.1 Attack Types and Implementation Methods 84
• 5.3.2 Malicious Node Ratio Settings 85
• 5.4 Performance Evaluation Indicators 86
• 5.4.1 Model Accuracy Indicators 86
• 5.4.2 Defense Effectiveness Indicators 87
• 5.4.3 Computational Overhead Indicators 88
• 5.4.4 Communication Overhead Indicators 88
• 5.5 Experimental Results and Comparative Analysis 89
• 5.5.1 Comparison of Model Accuracy Under Different Defense Mechanisms 89
• 5.5.2 Impact of Malicious Node Ratio on System Performance 90
• 5.5.3 Impact of Chain Count on Defense Effectiveness 93
• 5.5.4 Comparison with Baseline Methods 96
• 5.5.5 Extended Experiments Based on Network Flow and CAN Bus Data 97
• 6. Discussion and Analysis 102
• 6.1 Advantages and Limitations of the Proposed Method 102
• 6.2 Computational and Communication Overhead Analysis 103
• 6.3 Feasibility of Practical Deployment 103
• 6.4 Comparison with Other Federated Learning Defense Schemes 104
• 7. Discussion and Analysis 106
• 7.1 Research Conclusions 106
• 7.2 Future Directions 107
• References 108
• Acknowledgments 110
• 국문초록 111