车联网可信数据共享的隐私计算技术:挑战、架构与展望
网络安全与数据治理
王瀛1,胡昕1,贺鹏2,杨建1
1.三未信安科技股份有限公司;2.中国汽车工程研究院股份有限公司
摘要: 系统梳理了车联网数据共享面临的安全威胁与隐私保护挑战,从技术需求出发,分析了联邦学习、安全多方计算、同态加密、差分隐私、可信执行环境等主流隐私计算技术在车联网场景中的适用性及其内在权衡。在此基础上,提出了一种“数据可用不可见、可控可追溯”的隐私计算融合框架——IoVSecFlow,该框架以“联邦学习+秘密共享”的安全聚合为核心,结合轻量级匿名认证与分布式审计机制,在保障模型精度与系统效率的前提下实现对车辆敏感数据的多方协同分析。该研究可为车联网数据安全共享系统的设计与构建提供理论参考与技术支撑。
中图分类号:TP309.2;U495文献标志码:ADOI:10.19358/j.issn.2097-1788.2026.010.005
中文引用格式:王瀛,胡昕,贺鹏,等. 车联网可信数据共享的隐私计算技术:挑战、架构与展望[J].网络安全与数据治理,2026,45(10):34-40.
英文引用格式:Wang Ying,Hu Xin,He Peng,et al. Privacypreserving computing for trusted data sharing in IoV: challenges, architectures, and prospects[J].Cyber Security and Data Governance,2026,45(10):34-40.
Privacy-preserving computing for trusted data sharing in IoV: challenges, architectures, and prospects
Wang Ying1,Hu Xin1,He Peng2,Yang Jian1
1. Sansec Technology Co., Ltd.; 2. China Automotive Engineering Research Institute Co., Ltd.
Abstract: This paper systematically reviews security threats and privacy challenges in IoV data sharing. According to technical requirements, this paper analyzes the applicability and trade-offs of mainstream privacy computing technologies in IoV scenarios, including federated learning, secure multi-party computation, homomorphic encryption, differential privacy, and trusted execution environments. Based on this, IoVSecFlow is proposed. It is a privacy computing convergence framework based on the principle of "data available but invisible, controllable and traceable". The framework centers on secure aggregation via "federated learning + secret sharing", integrating lightweight anonymous authentication and distributed audit mechanisms. It enables multi-party collaborative analysis while preserving model accuracy and system efficiency.This study provides theoretical references and technical support for building secure IoV data-sharing systems.
Key words : Internet of Vehicles (IoV); trusted data sharing; privacy-preserving computing; secure multi-party computation; federated learning; homomorphic encryption; data compliance
引言
车联网(Internet of Vehicles, IoV)通过V2V、V2I及V2C等信息交互显著提升了交通效率与行车安全,但联网车辆作为移动传感器终端,实时采集位置、驾驶行为、环境感知及车内人员等多维数据,在支撑自动驾驶与交通优化的同时,也带来巨大的隐私泄露风险[1-2]。
近年来,我国密集出台《网络安全法》《数据安全法》《个人信息保护法》等上位法,工信部等八部门联合发布《汽车数据出境安全指引(2025版)(征求意见稿)》,通信行业标准《车联网平台重要数据识别指南》(YD/T 6617—2025)亦对数据分类分级与重要数据识别作出明确规范[3-4]。政策法规的完善对车联网数据共享技术体系提出了更高要求。
隐私计算(PrivacyPreserving Computing)提供了“数据可用不可见”的技术路径:联邦学习(Federated Learning, FL)支持本地训练后仅上传模型更新;安全多方计算(Secure MultiParty Computation, MPC)允许多方在不暴露私有输入的前提下联合计算;同态加密(Homomorphic Encryption, HE)支持密态运算;差分隐私(Differential Privacy, DP)通过添加噪声保护个体隐私;可信执行环境(Trusted Execution Environment, TEE)借助硬件隔离构建安全飞地[5-6]。然而,现有研究多聚焦单一技术在特定场景中的验证,缺乏对多源异构数据共享整体架构的系统性思考,在计算开销、通信效率、安全模型与真实部署之间仍存在尖锐的权衡困境[7-8]。
本文的主要工作包括:(1)系统梳理各隐私计算技术分支的研究脉络与典型案例;(2)对主流技术方案进行横向对比与批评性分析;(3)提出IoVSecFlow融合架构;(4)讨论技术挑战、优化策略及合规对接路径。
本文详细内容请下载:
https://www.pcachina.com/resource/detail/6000007334
作者信息:
王瀛1,胡昕1,贺鹏2,杨建1
(1.三未信安科技股份有限公司,北京100012;
2.中国汽车工程研究院股份有限公司,重庆401121)