V2I 通信网络的混合 PLS-ML 认证方案
该研究提出一种基于机器学习的位置验证系统，其可以在无需了解信道参数的情况下，适应不断变化的环境，并且可以优于传统信息论位置验证系统，实验证明了其有效性和在有攻击情况下的效果。
Apr, 2019
本文探讨了机器学习在车联网安全领域的应用，介绍了车联网的基础知识和通信类型，提出了车联网安全攻击的分类和安全挑战要求，以及机器学习在应对安全问题时的解决方案与工作原理，并讨论了采用机器学习方法在车联网中面临的局限性和挑战。
May, 2021
本文研究了利用深度神经网络和变分自编码器两种机器学习算法进行物理层欺骗攻击的性能，发现随机分配子载波可以使非连续 OFDM 系统对抗这种攻击。
Aug, 2019
本文提出了一种面向车联网的信息时代感知传输功率和资源块分配技术，利用高斯过程回归方法实现在线无中央控制机制的网络动态学习，实时预测未来 AoI，最小化 AoI 超过阈值的概率，并取得了 50% 以上的效果提升。
Nov, 2019
合作智能交通系统依赖一套车到车（V2X）应用来提高道路安全。本文提出了一种智能可扩展的混合车载通信架构，利用多种无线接入技术的性能满足这些应用的需求，并基于深度强化学习提出一种通信模式选择算法来最大化网络可靠性并限制资源消耗，通过车队编队场景的数值结果验证了混合车载通信架构相比静态车载选择策略和多准则决策选择算法可将数据包接收率提高 30％以及资源消耗方面冗余通信模式效率提高 20％。
Apr, 2024
我们提出了一个基于机器学习的方法来检测车辆自组网（VANET）中的黑洞攻击，并评估了各种机器学习算法的有效性，结果表明这些算法在区分正常节点和恶意节点方面是有效的。我们的研究结果强调了机器学习方法在增强 VANET 安全性方面的潜力。
Jan, 2024
本文提出了利用物理层认证技术和机器学习对无线网络环境实现强认证的方法，分析了接收到的无线信道状态信息，通过生成对抗性神经网络 (GAN) 来验证传输设备，其中使用局部离群点因子 (LOF) 算法在低信噪比下达到了 100% 的准确率。
Jun, 2020
本文介绍了一种采用 5G 车到车（V2X）通信实现的无人驾驶和半自动驾驶技术，利用毫米波技术在通信方面广泛应用于车辆网络应用。文章提出了一种结合机器学习的中继机制来实现基于毫米波基站的广播信息传输，包括通过 LOS 节点中继机来将信息传输到 NLOS 的车辆。通过在信号覆盖区域内实现机器学习，实现更快速的信息传输，更广泛的带宽覆盖范围，提高了在 NLOS 区域内车辆的收益。
Dec, 2020
通过一系列的详细的测量活动，我们提供了一批适用于车联网 (V2X) 领域的、具有高时间分辨率的 GPS 定位的无线测量数据集，并公开了这些数据，供新研究人员使用。这些数据可用于针对 6G 及以后的无线通信技术的机器学习研究和新的车联网和工业通信用例的探索，并建议 ML 需要克服的一些挑战和利用的一些功能。}
Dec, 2022
本论文提出了一种完全有效的基于机器学习的方法，用于保护连接车辆免受网络攻击，并针对使用配置规则提取相关信息的不同车辆接口（网络、CAN 和操作系统）进行监测，通过训练出的生成模型检测异常，以探测并诊断出其他现有方法无法发现的异常情况。
Nov, 2017