IEEE Open Journal of Vehicular Technology (OJVT) 是一本开放获取的全电子期刊，发表原创高质量论文，涵盖移动无线电、机动车辆和陆地交通领域电气和电子工程的理论、实验和操作层面。我们的期刊不仅欢迎原创高质量论文，也欢迎以行业为中心的出版物，重点关注研究成果并提出对进行类似研究的人员有用的想法。

我们重点介绍一篇由 NVIDIA 的行业研究人员和上海交通大学的学术研究人员共同撰写的调查专题文章 (July 2025 feature paper #1) 。他们研究了图神经后门的各个方面，包括技术基础、现有的攻击机制和相应的防御策略、该后门技术的潜在良性应用，以及未来可能的研究方向。我们提供这些专题文章的简短摘要，以通俗易懂的语言撰写，希望能为您带来愉快的阅读体验。

Exploring Graph Neural Backdoors in Vehicular Networks: Fundamentals, Methodologies, Applications, and Future Perspectives

Authors: Xiao Yang; Gaolei Li; Kai Zhou; Jianhua Li; Xingqin Lin; Yuchen Liu
Published in volume 6, IEEE Open Journal of Vehicular Technology
IEEExplore version: https://ieeexplore.ieee.org/document/10921674

图神经网络（Graph Neural Networks, GNNs）在车载网络（Vehicular Networks, VNs）中得到了广泛应用，有力推动了智能交通系统向更高的复杂性与精细化方向演进。然而，这种应用规模与复杂性的迅速提升也引发了不可忽视的安全隐患，其中尤以后门攻击威胁最为突出。本综述围绕车载图神经网络后门展开深入调研，系统地分析了以训练数据投毒与对抗性触发器注入为代表的攻击范式，从而揭示敌手如何通过操控模型训练过程和数据输入，诱导车载图神经网络模型表现出错误的决策行为（例如产生错误的转向预测结果或破坏车辆协同决策）。在此基础上，我们构建了针对车载网络中特有的图结构与时序依赖关系的后门漏洞分类体系，并深入阐释了此类攻击如何利用图数据中固有的结构特征与时空依赖性，实现对模型的隐蔽操控。此外，本综述还结合下一代智能交通系统的发展趋势，系统性地分析了GNN技术在交通信号优化、自动驾驶车队协调等关键领域可能面临的潜在后门安全威胁与挑战。通过全面地梳理攻击模式及其对应的防御策略，本综述为相关科研人员提供了前瞻性的安全视角，也为强化基于时空网络架构的智能交通系统的鲁棒性奠定了理论基础。

为了支持机动车辆和陆地交通领域日益增长的投稿数量，特别是涉及 (a) 推进和辅助功能的部件、系统和动力；以及 (b) 传感和感知以及汽车应用的多模态和高光谱成像等领域的投稿，OJVT正在寻找至少两名研究人员在2026年1 月1日加入编辑委员会。如果您认识任何符合条件的人员，请他们在2025年9月1日之前发送简历至OJVT主编Dr. Edward Au, [email protected]。