.png){kind=icon}
返回
Behavior-Aware Machine Learning Framework for Geolocation Integrity Verification in VANET Environments
.png){kind=icon}
PRE
AI
DOI：10.1002/ett.70384.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车载自组织网络（VANETs）主要依赖于精确的位置数据来实现车联网驾驶和交通安全。然而，这些系统仍然难以应对欺骗、伪造以及基于恶意行为的影响。在高度动态的车辆环境中，即使报告位置出现微小扰动，也可能导致整个网络崩溃并引发错误的安全决策。现有的入侵检测系统（IDSs）通常依赖单传感器阈值和计算密集型模型。这类基于阈值的模型无法检测隐蔽攻击，且不适用于资源受限的环境。本研究首次建议使用轻量级模型以满足未来VANET需求。受连续轨迹监控、低延迟决策和行为感知检测需求的驱动，本研究提出了一种轻量、有效的地理定位完整性框架，用于实时VANET操作。该框架结合了先进轻量模块优势的羽毛启发（quill）模型。近期研究强调了行为感知安全技术对于检测车辆运动模式中信号异常的必要性。然而，大多数现有解决方案要么缺乏时序行为建模，要么计算负载过高。为避免这些挑战，我们建议在实时VANET环境中使用我们的QuillNet模型。QuillNet的创新性在于其统一集成了噪声抑制、时序行为学习和轻量分类的单一流水线。QuillNet的主要目标是检测多种欺骗和虚假位置信号，同时保持资源受限车辆平台的低计算成本。QuillNet整合了微型去噪自编码器（T-DAE）、长短期记忆自编码器（LSTM-AE）以及轻量、浮点高效的Light Gradient Boosting Machine（LightGBM）分类器的优势，用于实时攻击检测。这种混合设计可有效对抗突然伪造和缓慢漂移攻击。该模型在公开的“VANET恶意节点数据集”上进行评估，并结合合成的地理定位欺骗攻击。通过全面实验和比较分析，所提出的模型展示了其效率，实现了98.8%的总体检测准确率，平均检测延迟为0.18–1.5秒。
Keyword:
behavior-aware learning
geolocation integrity
intrusion detection
lightweight models
machine learning
malicious behavior
spoofing detection
VANET
期刊
IF:
2.5
论文数:
483
被引数:
3.9K
机构
引用论文
UE-Extractor: A Grid-to-Point Ground Extraction Framework for Unstructured Environments Using Adaptive Grid ProjectionUE-extractor：一种用于非结构化环境的基于自适应网格投影的格网到点云的地面提取框架
PREAI
分享收藏Enhancing Online Transaction Security: A Study on Fraud Detection and Prevention with HMM and Behavior Analysis.png)
2024 4th International Conference on Technological Advancements in Computational Sciences (ICTACS)
2024 4th International Conference on Technological Advancements in Computational Sciences (ICTACS)IF0
PREAI
分享收藏
Development of an In-Vehicle Intrusion Detection Model Integrating Federated Learning and LSTM NetworksInformation
InformationIF0
PREAI
分享收藏V2V Routing in a VANET Based on the Autoregressive Integrated Moving Average Model基于自回归积分移动平均模型的V2V路由
PREAI
分享收藏Visual geo-localization and attitude estimation using satellite imagery and topographical elevation for unmanned aerial vehicles基于卫星图像和高程地形数据的无人机视觉定位与姿态估计
PREAI
分享收藏Reliable and Fair Trustworthiness Evaluation Protocol for Platoon Service Recommendation System可靠且公平的编队服务推荐系统可信度评估协议
PREAI
分享收藏Bi Directional Sparse Attention Recurrent Autoencoder Based Intrusion Detection for Vanet Security With Tuna Swarm Optimization基于双向稀疏注意力循环自编码器和金枪鱼群优化的车联网安全入侵检测
IF0
PREAI
分享收藏Detection of false position attacks in VANETs through bagging ensemble learning通过Bagging集成学习检测VANETs中的虚假位置攻击PLOS One
PLOS OneIF0
PREAI
分享收藏
查看更多内容