.png){kind=icon}
返回
Beetle-Optimized Hybrid Ensemble for Multi-Attack Classification in VANETs
.png){kind=icon}
PRE
AI
DOI：10.1002/ett.70281.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
智能互联和自动驾驶车辆通过整合物联网（IoT）、人工智能（AI）和5G/6G无线通信等尖端技术，代表了交通领域的一项革命性进步。这些技术提升了现代车辆网络的效率、可靠性和可持续性。然而，智能车辆的快速扩张也带来了日益增长的网络安全风险，引入了威胁安全、隐私和安全的新的攻击形式。即使是车辆单元中的微小异常也可能导致包括死亡在内的严重后果。为解决这些问题，本研究提出了一种基于孪生门控记忆网络（Siamese Gated Memory Networks）的有效入侵检测系统（IDS）。该模型学习交通行为并生成邻近度评分，这些评分通过密集前馈层处理以分类多种车辆威胁。为进一步优化检测，将改良甲虫优化（MBO）技术整合到前馈层中。该方法在基准数据集（包括NSL-KDD 2019、UNSW-NB-15和VeReMi）上进行训练和检验，使用精确度、特异度、准确率、F1分数和召回率等关键指标。推荐的实验分析表明，与传统技术相比，该方法性能更优，达到0.993的准确率、0.991的精确度、0.99的召回率和0.992的F1分数。研究结果验证了混合孪生网络与集成元启发式优化的鲁棒性，在保障智能交通系统安全方面具有显著效果。
Keyword:
artificial intelligence
modified bettle optimization techniques
siamese gated memory networks
smart connected vehicles
期刊
IF:
2.5
论文数:
481
被引数:
3.9K
机构
引用论文
Impact of cyberattacks on safety and stability of connected and automated vehicle platoons under lane changes网络攻击对换道情况下互联和自动车辆排的安全性和稳定性的影响
OAAI
OAAI分享收藏Active Resilient Secure Control for Heterogeneous Swarm Systems Under Malicious Cyber-Attacks主动弹性安全控制：恶意网络攻击下的异构群集系统
PREAI
分享收藏Deep Transfer Learning Based Intrusion Detection System for Electric Vehicular Networks基于深度迁移学习的电动汽车网络入侵检测系统.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏An Enhanced Multi-Stage Deep Learning Framework for Detecting Malicious Activities From Autonomous Vehicles一种用于检测自动驾驶车辆恶意活动的增强型多阶段深度学习框架
PREAI
分享收藏
查看更多内容