.png){kind=icon}
返回
Explainable Machine Learning Framework for Real-Time Multi-Attack Threat Detection in Edge-Enabled VANET Environments
.png){kind=icon}
PRE
AI
DOI：10.1002/ett.70283.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于缺乏可解释、资源高效解决方案以及缺乏统一的多种攻击检测能力，现有的车辆自组织网络（VANET）安全框架无法满足实时车辆环境的关键要求。大多数传统模型过度依赖集中式处理，使其不适合动态、延迟敏感的分布式VANET架构。这些局限性对车辆通信系统的安全性和可靠性构成了严重威胁。为应对这些挑战，本研究提出了一个用于边缘赋能VANET环境下的实时多攻击威胁检测的可解释机器学习框架（EXMAT）。该框架专为边缘赋能VANET平台设计。EXMAT结合了新颖的XGBoost分类器、定制设计的行為特征以及事后可解释性，以在车辆边缘直接提供准确决策。该模型的创新之处在于其组合特征空间，融合了行为动力学、通信模式以及轻量级布尔异常标志。模型仿真在VeReMi数据集上进行。为强化数据集以精确分析威胁，我们通过复杂攻击模式对其进行合成扩展。实验结果表明，所提出的模型实现了95.78%的整体分类准确率，标准行为样本的F1-score几乎完美，达到99.98%，而重放攻击的F1-score为94.36%。这些结果突显了EXMAT在实时车辆网络中的应用能力，增强了交通安全以及对抗未知网络攻击的安全性。
Keyword:
edge computing
explainable AI
multi-attack classification
real-time detection
threat detection
VANET
期刊
IF:
2.5
论文数:
480
被引数:
3.9K
机构
引用论文
Resilient Formation Tracking for Networked Swarm Systems Under Malicious Data Deception Attacks恶意数据欺骗攻击下网络群系统的弹性编队跟踪
PREAI
分享收藏Jasim, M.S.; Zaghden, N.; Bouhlel, M.S. Improving Detection and Prediction of Traffic Congestion in VANETs: An Examination of Machine Learning. Int. J. Comput. Digit. Syst. 2024, 15, 947–960. [Google Scholar] [CrossRef]Jasim, M.S.; Zaghden, N.; Bouhlel, M.S. 利用机器学习方法提升VANET中交通拥堵的检测与预测。国际计算机与数字系统杂志，2024年，第15卷，第947-960页。 [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Zhang, B.; Cai, X.; Li, G.; Li, X.; Peng, M.; Yang, M. A modified A* algorithm for path planning in the radioactive environment of nuclear facilities. Ann. Nucl. Energy 2025, 214, 111233. [Google Scholar] [CrossRef]张B.; 蔡X.; 李G.; 李X.; 彭M.; 杨M. 一种用于核设施放射性环境路径规划的改进A*算法。Ann. Nucl. Energy 2025, 214, 111233. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Integrating Cognitive Intelligence and VANET for Effective Traffic Congestion Detection in Smart Urban MobilityIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容