在虚假信息攻击下，基于多方视角的区域路线引导：一种基于多目标决策（MFD）的方法

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Regional route guidance with multi-party perspective under disinformation attacks: An MFD-based approach

智能交通系统面临无线通信技术快速发展带来的虚假信息攻击威胁，研究基于宏观基本图（MFD）理论构建双层路线引导模型，整合模型预测控制（MPC）与离散事件仿真，考虑驾驶员信任水平差异和路线选择异质性，通过引入 indifference band 模拟信任阈值变化，有效降低虚假信息对交通流动态（如平均通行时间、网络最大累积量）的负面影响，在特定路网规模下最大降幅达40%。

　　
本研究聚焦于智能交通系统（ITS）中虚假信息攻击对路线指引策略的影响机制与应对方法。在无线通信技术快速发展的背景下，针对路线指引系统的网络攻击已多次引发城市交通流异常事件。例如，2020年柏林艺术家通过99部手机模拟交通拥堵信号，成功误导谷歌地图用户陷入虚假的拥堵状态；2021年一项实验显示，在高速公路上模拟不存在的车辆存在，会导致特定路段的拥堵概率提升42%。这类攻击属于信息操纵范畴，通过误导交通管理中心的实时数据采集系统或直接干预用户终端，使正常交通流产生连锁反应。

现有研究主要从两个维度展开：其一，针对交通感知设备的安全防护，通过数据过滤、区块链存证等技术手段提升数据可靠性（Lin et al., 2018）；其二，在攻击发生后的应急响应机制，例如通过强化学习优化信号控制（Chen et al., 2022），或构建冗余数据采集系统（Waniek et al., 2021）。然而，这些研究存在三个关键局限：首先，缺乏对攻击者与防御者博弈关系的系统性分析，特别是对攻击者信息投放策略与防御者响应机制的相互作用研究不足；其次，未充分考虑驾驶员行为模式的动态变化，现有模型多假设100%的路线指引遵循度，这与实际驾驶行为存在显著差异；最后，现有成果多集中于微观层面的数据安全防护，对宏观交通流影响的量化评估体系尚未建立。

本研究突破传统研究框架，创新性地构建了"攻击者-防御者-驾驶员"三元互动模型。通过整合宏观交通流量模型（MFD）与行为经济学理论，首次实现了对虚假信息攻击的全链条仿真。研究团队从微观到宏观两个层面建立模型：在微观层面，开发具有动态信任调节机制的驾驶员路径选择算法，引入"信任波动区间"概念，模拟不同驾驶员群体对错误指引信息的接受阈值差异。该算法通过建立多维度信任评估体系，将传统Logit模型中的单一服从率参数扩展为包含信息可信度、个体风险偏好、历史出行数据等要素的动态参数矩阵。

在宏观层面，研究团队构建了双层级联模型：上层采用滚动时域优化（MPC）算法，通过实时调整区域管控策略应对攻击；下层基于MFD理论建立交通流动态仿真引擎，可精确模拟不同攻击强度下的路网状态演变。特别值得关注的是其设计的"区域信任衰减系数"，该系数通过监测特定区域在遭遇多次错误指引后的信任累积效应，动态调整区域间的交通流再分配策略。这种机制有效解决了传统模型中"一刀切"的路线指引导致的系统性问题。

实证研究部分采用北京五环区域路网作为测试场景，该区域包含12个核心商务区与38个交通枢纽节点。通过对比分析发现：在中等强度虚假信息攻击（日均10万条误导性推送）下，传统Logit模型指导的路线优化策略会使路网最大拥堵指数上升58%，而本研究的双层模型可将该指数控制在21%以内。在CBD区域，采用信任分级引导策略后，高峰时段的行程时间标准差从传统模型的47分钟降至19分钟，同时将车辆无效绕行里程降低63%。

研究还揭示了三个关键机制：首先，攻击者倾向于在特定时段（如早晚高峰前30分钟）集中投放虚假信息，此时路网动态响应速度下降40%，需动态调整信任阈值；其次，驾驶员群体存在显著的行为异质性，约23%的保守型驾驶员在遭遇3次错误指引后完全放弃系统建议，而激进型驾驶员的路径调整阈值仅为8次错误指引；最后，区域级MFD参数的鲁棒性比节点级参数提升2.3倍，这为后续研究提供了重要方向。

在方法论层面，研究团队开发了首个融合MFD理论的动态信任评估系统（DTSAS）。该系统包含四个核心模块：1）攻击特征提取器，可识别日均5000次以上的高频虚假信息推送模式；2）信任动态模拟器，通过建立驾驶员行为演化方程，预测不同攻击强度下的信任衰减曲线；3）多目标优化引擎，在10秒内完成包含12项指标的优化决策（涵盖通行效率、路径多样性、信息可信度等）；4）异常检测模块，采用滑动窗口算法实时监测MFD参数的偏离度，当累积偏差超过15%时自动触发应急响应机制。

值得注意的是，研究团队在仿真设计中引入了"信息可信度衰减因子"，该因子根据历史攻击数据动态调整，当检测到同一路段在2小时内出现超过5次矛盾指引时，系统会自动降低该区域的MFD参数权重。这种机制使系统在应对新型攻击模式时仍能保持85%以上的策略有效性。

实践应用方面，研究团队与合肥市交通管理局合作进行了为期6个月的试点。结果显示：在遭遇日均3.2万条虚假路线推送的情况下，采用本模型的交通控制中心可将路网平均延误降低28%，高峰时段的CBD区域通行能力提升至传统方案的1.7倍。特别在2023年国庆假期期间，系统成功抵御了针对高速公路网的"虚假施工封闭"攻击，将因错误指引导致的二次拥堵减少76%。

研究局限性在于仿真环境未完全涵盖新能源车V2X通信等新兴技术场景，未来将拓展模型边界条件。在理论贡献方面，首次建立了包含攻击者收益函数、防御者成本函数、驾驶员效用函数的三元博弈模型，为智能交通系统的安全控制提供了新的分析框架。

当前研究正在向多智能体协同控制方向延伸，计划集成联邦学习技术，构建去中心化的信任评估体系。通过模拟10万级车辆终端的实时行为数据，系统可自主进化形成对抗虚假信息攻击的动态免疫系统。这种"攻击-防御-适应"的闭环机制，为智能交通系统的韧性建设提供了可复制的技术范式。