基于后端辅助的多维语义与时间分析用于协同车联网中恶意节点检测
《Computers and Electrical Engineering》:Backend-assisted multi-dimensional semantic and temporal analysis for malicious node detection in cooperative vehicular networks
【字体:
大
中
小
】
时间:2026年10月24日
来源:Computers and Electrical Engineering 5.5
编辑推荐:
摘要:车辆自组网(VANETs)通过协作智能交通系统(C-ITS)分发安全关键数据,包括分布式环境通知消息(DENMs)。近期研究已对恶意节点检测的语义级识别进行了分析。然而,由于恶意操作,尤其是多跳传播场景下,难以实现恶意节点的准确检测。此外,消息级识别也不够充分,因为恶意
摘要:车辆自组网(VANETs)通过协作智能交通系统(C-ITS)分发安全关键数据,包括分布式环境通知消息(DENMs)。近期研究已对恶意节点检测的语义级识别进行了分析。然而,由于恶意操作,尤其是多跳传播场景下,难以实现恶意节点的准确检测。此外,消息级识别也不够充分,因为恶意节点可能继续参与网络并持续阻碍连通性。为解决此问题,本研究开发了一种混合恶意节点检测框架,以准确检测在多跳传播过程中篡改有效DENMs的车辆。本研究提出了一种基于联邦学习的变分自编码器结合多级层次注意力辅助深度可分离膨胀卷积网络(FLVAE-MHADSDC)的方法,用于具有鲁棒性、攻击缓解能力和数据隐私保护的不当行为检测。所提框架采用逐跳时间回溯来重建消息传播路径,并确定DENM在通过每个节点传输时的状态。该重建过程被用于提取不当行为的特征,包括行为特征、时间特征、结构特征和语义特征。这些特征通过加权特征融合技术进行整合。所提框架在2500个节点下实现了98.5%的准确率、96.25%的精确率、99.25%的召回率、97.72%的F1分数、98.74%的特异度和27.3毫秒的延迟。
1. 引言
C-ITS利用VANETs在车辆与路边基础设施之间实现安全关键数据的实时传输。DENMs的快速分发对于碰撞避免、紧急制动警告和危险路况警报等应用至关重要[1]。这些消息必须真实可信,因为虚假和恶意数据可能危及个人生命安全[2]。VANETs容易受到内部不当行为的攻击,即已认证车辆主动生成和修改消息以欺骗其他参与者,即使使用了安全认证和安全保护措施也是如此。由于恶意节点拥有合法凭证,遵循通信协议标准,同时改变消息语义,因此这些攻击难以检测[3]。
以往的研究人员提出了语义攻击检测算法,通过检查消息级差异和不合理的事件解释来检测恶意DENMs[4]。尽管该方法在识别被篡改和恶意消息方面有效,但对于长期网络安全来说并不充分[5]。即使识别出某些消息有害,恶意车辆仍会继续利用网络发送虚假信息[6]。从以消息为中心的识别转向以节点为中心的不当行为识别克服了这一局限[7]。后端辅助安全管理理念——即车辆通过路边单元(RSU)将收集到的通信日志发送到可靠的后台系统——在当今C-ITS环境中越来越受欢迎[8]。这是因为它适用于广泛的不当行为分析,而这是仅通过车辆设置无法实现的。毕竟,它具有全局视野、更强的计算能力和存储设施[9]。这使得后台能够通过车辆转发已接收和转发的DENMs来重建消息在若干跳中的传播通道[10]。
本研究使用以后端为中心的C-ITS模型来识别篡改DENMs的恶意车辆[11]。后台系统通过结合RSU从车辆获取的DENM日志,利用逐跳时间回溯来重建消息传播通道[12]。通过确定DENM在每个车辆接收和转发时的确切状态,这种重建能够精确定位在转发过程中篡改真实消息的节点[13]。所提方法在此重建基础上提取多种互补的不当行为标志,如时间转发延迟、结构合法性转换、行为消息一致性和语义字段级异常。通过解析计算获得的特征是证实不当行为的有效证据[14]。获得的特征通过基于加权融合的方法进行整合,该方法选择性地突出最自适应的不当行为模式,以增强在不同交通和攻击条件下的耐久性[15]。
1.1 研究动机
协作车联网(CVN)通过使用逐跳快速传播安全消息(如DENMs)来推进道路安全和交通管理效率。然而,由于无线网络中的开放特性和动态拓扑,CVN容易受到消息修改、消息重放和消息语义复制等不当行为的攻击。目前仅在车辆端实现的不当行为检测模型通常缺乏足够的计算能力,无法对消息传播中的复杂时空异常进行分类。本工作提出了一种后端辅助的多维度语义和时间分析系统来克服这些限制。在该模型中,RSU单元与后台服务器协作重建通信传播历史,并通过结构、行为、时间和语义特征的深入分析进行传播。这种混合后端设计提高了检测准确性和攻击者定位能力,同时在大规模协作车辆场景中实现了灵活、隐私感知且可解释的不当行为检测。本工作的主要贡献如下:
- 提出一种后端辅助的恶意节点检测框架,利用基于RSU的数据聚合实现全局DENM可见性。
- 开发一种逐跳时间回溯机制,以准确重建DENM传播路径并确定消息篡改的节点位置。
- 提供多维特征,提取综合指标如行为、时间、结构和语义数据,以区分合法的动态移动模式和恶意行为。
- 提出FLVAE-MHADSDC方法,该方法集中于主导恶意设计,同时膨胀卷积神经网络(CNN)以较低的计算成本扩大视野来识别复杂的长序列攻击。
- 通过评估多种指标并与现有框架进行对比来验证所提工作的价值。
本研究的组织结构如下:第2节进行全面的相关文献评估,突出其局限性和性能指标。第3节介绍系统模型和后端方法。第4节讨论所提方法,即在CVN中通过后端辅助实现恶意节点检测。第5节提供实验结果并进行讨论。最后,第6节给出结论和未来工作。
2. 相关工作
车辆不当行为检测因信任管理问题和自适应攻击而变得复杂。为检测具有高声誉的恶意车辆,Chen等人[16]开发了训练判决自动驾驶网络架构(TV-AVN),确保防范内部和外部攻击。该方法将机器学习(ML)与声誉系统和判决不当行为检测系统(V-MDS)相结合,以提供安全的数据传输。通过该方法,实现了鲁棒性和检测性能。
为确保安全可靠通信,Youness等人[17]描述了车辆不当行为网络(VeMisNet),用于检测车辆不当行为。该方法从VeReMi扩展数据集中利用领域特定特征,包括通信频率、消息间时间模式和非对称频谱(DSRC)邻域密度。此外,该框架评估了门控循环单元(GRU)、长短期记忆(LSTM)和双向LSTM架构在20种攻击类型不同样本上的表现。为解决数据不平衡问题,采用了合成少数类过采样技术(SMOTE)。该方法在准确率方面表现更优。
入侵检测系统(IDS)通过检测和减少网络流量中的有害活动,对现代网络安全至关重要。遗憾的是,高昂的误报率、类别不平衡问题和低效的特征选择使得当前IDS系统难以识别复杂的网络威胁。Singh等人[18]介绍了双向生成对抗网络(Bi-GAN)-线性判别分析(LDA)IDS,这是一种新颖的混合深度学习(DL)系统,结合LDA进行最优特征选择和Bi-GAN进行合成攻击模型生成。还添加了独特的焦点损失函数以改善少数类攻击类型的分类。
由于计算力网络(CPN)在网络关键领域的日益普及,网络攻击威胁日益增长。数据异构性和数据机密性是传统集中式IDS的主要限制。为解决CPN中非独立同分布(Non-IID)数据问题和隐私泄露问题,Wang等人[19]为IDS引入了个性化和隐私保护联邦框架(P3Fed)。利用敏感性自适应局部差分隐私框架,P3Fed构建了增强安全的FL系统,确保在不泄露原始数据的情况下对模型变化和软标签进行细粒度保护。混合特征提取策略依赖于共享的CNN-LSTM-注意力模块来捕获全局攻击模式,并辅以客户端特定的本地个性化层(LP-Layer)提供节点级行为特征,以提高检测准确率。
Khan等人[20]开发了一种基于机器学习的不当行为检测系统,以应对拒绝服务(DoS)攻击、重放消息和虚假位置报告等安全威胁。利用车辆参考不当行为数据集(VeReMi),开发了领域感知的元学习框架用于少样本异常检测。在该框架中,拓扑感知编码器通过蜥蜴风格元学习循环进行训练,以捕获时间和关系模式。该编码器与小型适配器模块结合以实现实用性。除不当行为处理外,还解决了困难条件下的问题和需要大量标注数据集的问题。
空地一体化车联网(IoV)中的无人机(UAV)是三维智能交通方案的重要组成部分。卸载任务对于提高IoV的整体效率至关重要。然而,黑孔攻击和虚假反馈攻击严重阻碍了重载RSU的安全有效卸载。Ye等人[21]建议了一种多目标、声誉感知的任务卸载技术来解决该问题。研究人员首先推进了一系列多维服务质量(QoS)度量以实现卸载数据包的细粒度分组,并结合K-means聚类和轻量级近端策略优化变体(Light-PPO)进行恶意检测。
智能网联汽车(ICV)的责任归属和安全性近期受到威胁,因为制造商可以单方面修改车内日志或未经车主授权发起云端远程维护。Zhi等人[22]开发了协作元数据索引(CMI)系统,这是一种网络化、属性感知的数据管理系统,消除了后台服务器通常具有的特权功能。CMI系统结合了两个密切相关的组件:(i)用户参与的远程操作,其中每个车辆控制服务器(VCS)命令必须包含由操作员签名的短期符号并附加到当前车辆状态;或者可以车载进行密码学拒绝;(ii)投递的元数据可用性,其中受保护的车辆日志被分离并归档在云中,而半可信的协调元数据服务器(CMS)本质上保存指针头。
VANETs通过实时广播基站(BS)消息促进有效交通协调,但也引发了关于位置隐私的严重问题。现有的利用车辆密度感知的动态混合区域方法框架存在重大问题。然而,单时间槽确认的需求导致错误的混合区域激活和恶意车辆消耗伪匿名容量,威胁隐私保护。Wang等人[23]提出了一种自适应动态混合区域(ADMZ)伪匿名更换方法以克服这些局限。RSU利用ADMZ的时间槽基于的伪匿名清理机制在固定时间槽移除伪匿名。此外,数据还提供了密度-距离加权优先级机制用于混合区域识别,以及基于预测轨迹区域重叠的动态边界修改机制以防止语义关联攻击。表1展示了现有研究的比较。
表1 现有研究比较
| 作者 | 所用技术 | 性能指标 | 不足 |
|------|---------|---------|------|
| Ye等人[21] | K-means聚类、PPO | 延迟=200毫秒,能耗=50J | 黑孔和虚假反馈攻击 |
| Zhi等人[22] | CMI | 吞吐量=60 Mbps | 计算开销较高 |
| Singh等人[18] | Bi-GAN-LDA | F1分数=88.5% | 类别不平衡和低效的特征选择使得当前IDS系统难以识别复杂网络威胁 |
| Wang等人[23] | ADMZ | 延迟=256毫秒 | 位置隐私问题 |
| Wang等人[19] | P3Fed | F1分数=85.76% | 数据异构性和数据机密性给传统集中式IDS技术带来重大障碍 |
| Chen等人[16] | TV-AVN、V-MDS | 精确率=0.99,召回率=0.98,F1分数=0.98 | 未评估基于量子攻击的威胁 |
| Khan等人[20] | 领域感知元学习 | 曲线下面积(AUC)=0.70,F1分数=0.62 | 可靠性、可扩展性和安全性受到挑战 |
| Youness等人[17] | VeMisNet、LSTM、Bi-LSTM、GRU | 准确率=99.81%,F1分数=99.81%,漏报攻击率=0.19%,误报率=0.05% | 依赖模拟数据,易受对抗攻击,且使用单分割评估 |
在近期研究中,基于随机森林(RF)的不当行为检测基于RF[16]、增强特征的DL[17]和元学习[20]进行。还考虑了几种安全方面,包括隐私保护元数据管理[22]、基于DL的异常检测[18]、基于声誉的技术[21]和隐私保护[19,23]。尽管这些方法取得了相当的性能,但它们侧重于个别方面而非动态场景。在考虑实用性的同时,对联合利用基于FL的不当行为检测、层次注意力和潜在特征表示的关注有限。
为弥合这一差距,本文提出的方法重点关注变分自编码器(VAE)基于的潜在特征学习、联邦学习(FL)、空洞卷积神经网络(CNN)和层级注意力的集成,以增强恶意行为检测。
**2.1 问题陈述**
车载通信系统已经发展壮大,特别是在特斯拉自动驾驶汽车加入VANET市场之后。随着这些车辆的处理和通信能力增强,恶意破坏车辆生成数据的尝试也随之增加。现有研究频繁报告检测效率低、处理需求高以及无法适应动态环境中复杂隐蔽攻击的问题。由于无法区分真实攻击与由车辆过度移动引起的典型网络振荡,现有模型往往具有较高的误报率。所建议的方法利用时间分析,即对随时间变化的行为进行分析,并借助后端支持进行多维评估,整合来自多个传感器和车辆的输入信息,以努力准确识别恶意节点。该技术通过将密集处理任务卸载到后端,消除了车载单元(OBU)的资源约束,从而实现更复杂和更广泛的分析,同时不影响车辆延迟。
**3. 系统模型与后端架构**
本节将介绍在恶意节点检测中所使用的系统模型、通信假设和后端辅助数据收集架构。与仅依赖本地信息的其他车辆中心方法不同,所提出的方法利用后端系统通过路侧单元(RSU)提供的全局感知能力,正如车联网(C-ITS)高级安全解决方案所建议的那样。C-ITS在VANET环境中的系统模型如图1所示。
图1 C-ITS在VANET环境中的系统模型。
**3.1 通信与网络模型**
VANET被展示为一个动态网格 $g(t) = (V, \varepsilon(t))$,其中 $V$ 表示车辆集合,$\varepsilon(t)$ 表示时变无线链路。每辆车都配备了OBU,使其能够实现车对车(V2V)和车对基础设施(V2I)通信,遵循标准的ITS通信范式。车辆通过发布DENM(灾害警报通知消息)来报告诸如事故或道路障碍等危险事件。一条DENM可能通过多跳转发到达超出源节点直接通信范围的车辆。每条消息包含属性如时间戳、发送者标识符、接收者标识符、跳数、事件类型和合法性等级。假设最大跳数是有界的,以防止无限传播和路由环路,这在VANET安全消息传播中是常见的做法。
**3.2 后端辅助数据收集**
在考虑的C-ITS架构中,车辆通过RSU定期将收集的DENM日志上传到可信的后端系统。每个RSU作为后端基础设施与车辆网络之间的通道。车辆专注于接收和转发消息,而不是在本地识别恶意节点,以减少车辆级别的计算成本。在大规模实施中,这种后端辅助的安全控制已被推广为一种可扩展的恶意行为检测框架。每辆车维护一个本地日志,记录所有接收和转发的DENM,包括元数据如接收时间、转发时间、发送者、接收者、跳数和消息内容。当车辆进入RSU通信范围时,这些日志会被定期传输到后端系统。通过收集来自不同车辆的DENM日志,后端系统能够了解消息传播路径的一般情况。这对于识别无法通过观察单个节点来发现的恶意节点尤为重要。
**3.3 信任与假设模型**
后端方案假设完全可信,并通过有线或安全通信链路安全连接到RSU。此外,假设RSU未被攻陷,能够将收集的数据转发到后端系统。此假设与其他VANET基础设施辅助安全模型中的假设类似。由于假设车辆通过公钥基础设施(PKI)的正常方式进行认证,因此恶意行为被认为是由车辆而非外部攻击者引起的。虽然假设个别车辆可能被攻陷,但后端系统假设接收来自多台正常车辆的多种信息。因此,后端系统能够正确了解消息传播的路径。此外,假设车辆与RSU之间的通信延迟是有界的,不会影响所提出的恶意行为检测逻辑的正确性。
**3.4 问题定义**
假设已通过后端系统收集了一组聚合的DENM消息。在这种情况下,目标是识别能够在多跳消息传播过程中篡改合法消息的恶意车辆集合。换句话说,后端系统希望识别在消息转发过程中将至少一条合法DENM篡改恶意化的车辆集合。在这种情况下,恶意节点检测问题可以正式表述如下:假设存在包含时间、结构和语义信息的全局DENM日志。这里的问题是,如何为后端系统设计一种检测机制,以最小化误报和漏报,从而能够成功区分正常车辆和恶意车辆。该问题的所提出解决方案将在下一节中介绍。
**4. 所提出的方法论**
本节介绍了所提出的后端辅助恶意节点检测技术。使用通过RSU从车辆收集的DENM数据,检测在后端集中执行。该方法按一系列定义明确的计算步骤进行,从消息谱系重建开始,最终完成恶意节点分类。提出了一种混合恶意节点检测框架,能够准确识别在多跳传播过程中操纵合法DENM的车辆。所提方法的整体流程图如图2所示。该方法采用逐跳时间回溯来重建消息传播路径,并确定DENM在每个节点接收和转发时的精确状态。基于此重建,提取恶意行为的结构、行为、时间和语义指标。然后,利用FLVAE-MHADSDC进行恶意行为检测,以自适应地强调主导恶意行为模式。为了识别异常(恶意活动),变分自编码器(VAE)学习典型行为的潜在表示。多层次层级注意力机制通过在不同网络层级上自适应地突出关键的、主导的恶意行为模式,增强了细微复杂威胁的检测能力。深度可分离空洞卷积(DSDC)扩展了感受野,以捕获有害活动的复杂时空模式,同时降低计算成本。最后,联邦学习(FL)保护隐私并减少带宽消耗,对恶意节点分类非常有效。
图2 所提模型的整体框图。
所提出的FLVAE-MHADSDC方法是一种基于联邦学习的后端恶意行为检测架构。从RSU接收预处理后的DENM作为后端输入。然后进行DENM日志聚合和时间回溯以提取节点行为。提取多维特征,包括时间、结构、行为和时序属性,并使用加权融合技术进行组合。最后,通过节点级分类检测恶意节点。所提出的FLVAE-MHADSDC架构在联邦学习框架内包含VAE、DSDC和层级注意力。联邦学习用于去中心化模型训练和全局模型聚合。此外,最终分类和恶意行为检测在后端进行。在推理期间,后端接收车辆详细信息并基于训练好的模型进行恶意检测。因此,RSU参与分布式模型训练,而非最终的恶意检测。
**4.1 后端DENM日志聚合**
在所提出的框架中,本文提出了一种后端辅助的CVN(协作车辆网络)恶意节点检测框架,重点关注识别DENM中的语义恶意行为。与车辆中心方法不同,所提出的方法聚合RSU收集的DENM日志,在集中式后端系统中执行节点级检测。这允许进行彻底的语义、时间和逐跳分析,而不会增加车辆的计算负担。
设 $V = \{v_1, v_2, ..., v_{|V|}\}$ 表示参与VANET的所有车辆集合。每辆车 $v \in V$ 维护一个本地日志 $L_v$,记录其在正常运行期间接收和转发的所有DENM。这些日志在车辆进入RSU通信范围时传输到后端。后端聚合所有车辆的DENM日志形成全局数据集:
(1) $M = \bigcup_{v \in V} L_v = \{m_1, m_2, ..., m_N\}$
其中 $N$ 表示收集的DENM记录总数。每条DENM记录 $m_i \in M$ 表示为:
(2) $m_i = (t_i, s_i, r_i, h_i, l_i, F_i, e_i)$
其中 $t_i$ 表示节点接收DENM的时间戳,$s_i, r_i \in V$ 表示发送者,$r_i \in V$ 表示接收者,$h_i$ 表示代表消息转发阶段的跳数,$l_i \in \{0, 1\}$ 表示DENM合法性等级(0为合法,1为恶意),$F_i = (f_{i1}, f_{i2}, ..., f_{ik})$ 表示语义DENM字段的向量,$e_i$ 标识与消息相关的事件。合并后的数据集 $M$ 根据事件标识符逻辑划分,以允许有效分析:
(3) $M_e = \{m_i \in M | e_i = e\}$
这里 $M_e$ 表示这些消失的DENM记录与事件 $e$ 相关。由于这种划分,每个事件的传播都可以独立重建和分析,消除了来自其他事件的干扰。此外,在每个事件特定的子组 $M_e$ 中,DENM记录根据其接收时间 $t_i$ 按时间顺序排列。这种排序对于重建多跳传播路径和确保后续逐跳时间回溯操作中的一致性至关重要。目前尚未确定恶意行为。DENM日志聚合步骤仅专注于以适合系统重建和分析的方式收集、组织和分类原始通信数据,这为所有后续检测计算奠定了基础。
**4.2 逐跳时间回溯**
在多跳DENM传播中,在消息到达目的地之前,可能有多辆车转发了该消息。为了准确识别负责恶意消息操纵的车辆,必须重建消息在每个中间节点接收和转发时的精确状态。由于检测在后端进行并且可以访问聚合的DENM日志,因此采用逐跳时间回溯机制。
设 $M = \{m_1, m_2, ..., m_N\}$ 表示通过RSU在后端收集的所有DENM记录集合。每条DENM记录表示为:
(4) $m_i = (t_i, s_i, r_i, h_i, l_i, F_i, e_i)$
其中 $t_i$ 表示接收者 $r_i$ 接收DENM的时间,$s_i$ 是发送者,$h_i$ 是跳数,$l_i \in \{0, 1\}$ 表示DENM是合法的(0)还是恶意的(1,在消息级别),$F_i$ 表示DENM的语义字段向量,$e_i$ 表示事件标识符。对于给定的跳数 $h_i > 1$ 的DENM记录 $m_i$,后端试图找到发送者在转发之前收到的相应消息实例。此先前实例必须满足以下条件:(i) 属于同一事件 $e_i$;(ii) 被节点 $s_i$ 收到;(iii) 其跳数为 $h_i$;(iv) 接收时间更早。形式上,$m_i$ 对应的上一跳消息为:
(5) $m_j = \arg\max_{m_k \in M} \{t_k | e_k = e_i, r_k = s_i, h_k = h_i - 1, t_k < t_i\}$
对 $t_k$ 的最大化确保当一个节点为相同事件和跳数建立了多个DENM时,优先选择最接近 $t_i$ 之前的接收时间场景。当多个先前收到的DENM满足(5)中的条件时,$t_k$ 选择 $t_i$ 之前最近接收时间的候选者。因此,前驱节点使用跳数、事件标识符、转发车辆和时间顺序约束进行估计。当后端有多个与相同事件相关的DENM时,使用时间选择来最小化歧义。然而,在过度传输延迟或数据包丢失期间,前驱实例可能不可用。在这种情况下,相关跳被视为未解析的链路,而不是强制进行错误的前驱集成。
在交通繁忙的情况下,可能存在多个相似的DENM,这对于精确重建因果转发链至关重要。在识别出上一跳消息 $m_j$ 之后,DENM在转发前的发送方状态被重建为:
(6) $t_i^- = t_j, \quad l_i^- = l_j, \quad F_i^- = F_j$
在此情况下,$t_i^-$ 表示节点 $s_i$ 首次收到DENM的时间,$l_i^-$ 表示发送者感知的合法性等级,$F_i^-$ 记录转发前DENM的语义内容。这种重建是检测阶段中检测恶意活动的依据,它允许后端直接比较节点收到的消息状态与通过另一个节点传递的状态。
**4.3 结构恶意行为指标**
结构恶意行为指标旨在识别在转发过程中非法篡改DENM合法性状态的车辆。
利用通过逐跳时间回溯获得的发送端消息重构,后端将节点接收到的DENM的合法性等级与该节点转发同一DENM时的合法性等级进行比较。对于DENM记录mi,令$l_{-i}$表示发送方si在转发前观察到的合法性等级,令$l_i$表示转发后DENM的合法性等级。结构合法性转换指示器定义为:
$$\Delta l_i = \begin{cases} 1, & l_{-i} = 0 \wedge l_i = 1 \\ 0, & \text{其他} \end{cases}$$
指示器$\Delta l_i = 1$捕捉了一种特定场景,即一个节点在接收时判定为合法的DENM,却在由同一节点转发时被标记为恶意的。这种转换被视为不当行为的直接且强结构证据,因为在正常的转发操作中,合法的DENM不应被转变为恶意的。为了在节点层面聚合此证据,为每辆车 $v \in V$ 定义一个结构不当行为得分:
$$S_v = \Pi\left(\exists m_i \in \mathcal{M}: s_i = v \wedge \Delta l_i = 1\right)$$
其中 $\Pi(\cdot)$ 为指示函数。结构指示器 $S_v$ 取二元值,$S_v = 1$ 表示车辆 $v$ 被观察到至少触发了一次不合法的合法性转换,$S_v = 0$ 表示在观察数据中不存在此类行为。由于该指示器依赖于对DENM传播路径的因果重构,它能精确定位不当行为,并为后续的时序、行为和语义分析阶段提供高置信度输入。
**4.4. 行为不当行为指示器**
虽然结构指示器捕捉了消息不合法转换的直接证据,但恶意行为也可能以时间上的持续性异常模式表现出来。为了捕捉此类长期行为,基于每辆车发送的合法DENM和恶意DENM的分布,定义了一个行为不当行为指示器。设 $v \in V$ 表示一辆车,$M_v \subset \mathcal{M}$ 表示以 $v$ 为发送方的所有DENM记录集合:
$$M_v = \{m_i \in \mathcal{M} \mid s_i = v\}$$
在 $M_v$ 中,令 $M_v$ 和 $L_v$ 分别表示车辆 $v$ 转发的恶意DENM和合法DENM的数量:
$$M_v = \sum_{m_i \in M_v} \Pi(l_i = 1), \quad L_v = \sum_{m_i \in M_v} \Pi(l_i = 0)$$
车辆 $v$ 转发的DENM总数为:
$$T_v = M_v + L_v$$
基于这些量,车辆 $v$ 的行为不当行为比率定义为:
$$B_v = \frac{M_v}{T_v}, \quad 0 \leq B_v \leq 1$$
比率 $B_v$ 量化了车辆转发恶意DENM的倾向。对于行为正常的车辆,$B_v$ 的值预期接近于零,因为合法车辆主要转发合法消息。车辆转发有害DENM的倾向由比率 $B_v$ 来衡量。由于合法车辆主要转发合法消息,行为良好的车辆的 $B_v$ 值应接近于零。而恶意车辆的 $B_v$ 值接近于一,表明恶意传输比例很高。与结构指示器提供基于单次因果违规的二元证据不同,行为指示器检测多次消息传输中持续存在的不当行为模式。因此,$B_v$ 作为一个补充指示器,减少了由非故意或孤立异常导致的假阳性可能性。
**4.5. 时序不当行为指示器**
车辆在整个DENM转发过程中的时序行为为识别恶意活动提供了关键的指示器,与结构特征和行为特征相结合。正常运行的车辆应在接收到DENM后以极小的处理延迟将其中继转发。恶意车辆可能因额外处理时间、决策过程甚至故意修改消息内容而施加异常延迟。为了识别时序不当行为,提出了一种时序不当行为指示器。通过逐跳时间回溯重构的发送方接收时间,可以计算出DENM消息 $m_i$ 经由发送方引入的转发延迟:
$$\delta_i = t_i - t_{-i}$$
其中 $t_{-i}$ 表示节点 $s_i$ 先前接收到DENM的时间,$t_i$ 表示同一DENM通过 $s_i$ 转发的时间。
对于另一辆车 $v \in V$,其转发的DENM相关转发延迟集合假设为:
$$\Delta_v = \{\delta_i \mid m_i \in \mathcal{M}, s_i = v\}$$
则车辆 $v$ 的平均转发延迟计算为:
$$\bar{\delta}_v = \frac{1}{|\Delta_v|} \sum_{\delta_i \in \Delta_v} \delta_i$$
鉴于由于网络条件和车辆异质性可能导致绝对转发延迟存在差异,对平均延迟进行了归一化处理,使其在所有车辆之间具有可比性。归一化时序指示器定义为:
$$T_v = \frac{\bar{\delta}_v - \min_{u \in V} \bar{\delta}_u}{\max_{u \in V} \bar{\delta}_u - \min_{u \in V} \bar{\delta}_u}$$
归一化时序指示器 $T_v$ 的取值范围为 $0 \leq T_v \leq 1$。正常车辆被认为具有较小的转发延迟,从而产生较小的 $T_v$ 值。相反,恶意车辆被认为具有较大的转发延迟,从而产生较大的 $T_v$ 值。通过识别DENM转发过程中的异常处理延迟,时序不当行为指示器为结构指示器和行为指示器提供了补充信息,以提高恶意节点检测的鲁棒性。
**4.6. 语义不当行为指示器**
虽然结构、行为和时序指示器捕捉了车辆在DENM转发过程中的行为方式,但恶意活动往往通过故意操纵消息内容表现出来。在C-ITS中,DENM包含多个描述所报告事件的语义字段,如事件类型、严重程度、位置、时间和相关上下文属性。在转发过程中篡改这些字段是恶意意图的强指标。为了捕捉此类内容级异常,定义了语义不当行为指示器。设 $F_i = (f_{i1}, f_{i2}, \ldots, f_{ik})$ 表示DENM记录 $m_i$ 的 $k$ 个语义字段向量,令 $F_{-i} = (f_{-i1}, f_{-i2}, \ldots, f_{-ik})$ 表示通过逐跳时间回溯在发送端重构的对应语义字段向量。对于每个语义字段,定义逐字段偏差指示器为:
$$d_{ij} = \begin{cases} 1, & f_{ij} \neq f_{-ij} \\ 0, & \text{其他} \end{cases}, \quad j = 1, 2, \ldots, k$$
由于不同的DENM字段可能具有不同的安全相关性,为每条DENM记录计算加权语义偏差分数:
$$D_i = \sum_{j=1}^{k} w_j \cdot d_{ij}$$
其中 $w_j \geq 0$ 表示第 $j$ 个语义字段的重要性权重,且满足 $\sum_{j=1}^{k} w_j = 1$。消息 $m_i$ 的语义异常指示器定义为:
$$A_i = \begin{cases} 1, & D_i > 0 \\ 0, & \text{其他} \end{cases}$$
指示器 $A_i = 1$ 表示该DENM的至少一个语义字段在转发过程中被篡改。为了在节点层面聚合语义异常,车辆 $v$ 的语义不当行为指示器定义为:
$$A_v = \frac{1}{T_v} \sum_{m_i \in \mathcal{M}: s_i = v} A_i$$
其中 $T_v$ 表示车辆 $v$ 转发的DENM总数。
$A_v$ 的值位于区间 $[0, 1]$ 内,表示车辆 $v$ 修改了至少一个语义字段的DENM所占的比例。正常车辆的 $A_v$ 值预期接近于零,因为语义信息在转发过程中不应改变;而故意操纵DENM内容的恶意车辆则可能产生较大的 $A_v$ 值。通过对字段级别的语义偏差进行显式建模,语义不当行为指示器能够检测到通过时序和频率分析可能无法发现的恶意内容操纵,从而增强整体检测机制的有效性。
**4.7. 基于FLVAE-MHADSDC混合深度学习框架的恶意不当行为检测**
一种称为FLVAE-MHADSDC的混合深度学习框架旨在识别C-ITS和VANET等分散网络中的恶意节点。该框架结合了DSDC网络、联邦学习(FL)、变分自编码器(VAE)和多级层次注意力机制,在保护数据隐私的同时评估消息的时序和空间特征。首先使用深度学习(DL)进行分布式训练,检测模型使用本地数据进行本地训练。这些本地参数在联邦服务器上聚合,以获得全局模型。在所学到的检测模型中,VAE执行初始特征学习,将输入的车辆特征转换为潜在表示,以学习最具区分力的特征。这些潜在特征被送入层次注意力模块,该模块根据重要性分配特征权重。然后,此基于注意力的表示被应用于DSDC模块以降低复杂度。空洞卷积的引入扩展了感受野以捕捉特征关系。此高级表示被送入分类层以检测恶意车辆。
结构指示器($S_v$)、行为指示器($B_v$)、时序指示器($T_v$)和语义指示器($A_v$)提供了互补且可解释的恶意行为证据。然而,它们在不同交通条件和攻击强度下的相对重要性可能不同。为了自适应地学习特征交互和最优特征加权,所提出的框架采用FLVAE-MHADSDC作为最终分类阶段。该设计中的网络节点使用自己的数据在本地训练异常检测系统,仅通过中央聚合器共享更新的模型。虽然层次注意力级别专注于重要的时序、语义和上下文消息模式,但VAE生成典型网络行为的潜在表示。DSDC通过捕捉车辆通信数据中的多尺度关系,高效地识别消息篡改、欺骗和异常传输模式。
**4.7.1. 输入特征融合表示**
对于每辆车 $v \in V$,节点级特征向量构造为:
$$\Phi_v = [S_v, B_v, T_v, A_v]^T$$
可选地,$\Phi_v$ 可通过附加VANET相关属性(例如跳数统计或事件频率)进行增强。所得向量被重塑为适合卷积处理的一维输入:
$$X_v \in \mathbb{R}^{d \times 1}$$
其中 $d$ 表示输入特征的总数。
**4.7.2. DSDC**
为了捕捉车辆通信中的空间和时序相关性,处理后的特征被送入DSDC中。深度可分离卷积(DSC)有两种类型:逐深度卷积和1×1卷积(通常称为逐点卷积)。其中,逐深度卷积是指对输入数据的不同通道分别进行卷积的唯一卷积过程。逐点卷积则是在整个输出特征集上执行的1×1标准卷积过程。通过卷积系统提取所有空间特征。然后,利用卷积跨通道整合特征设计。
FLVAE-MHADSDC框架的DSC结构如图3所示,其中 $D_h \times D_w \times M$ 表示输入车辆的高度和宽度以及特征图 $M$ 中卷积通道的总数。输出节点的高度和宽度通过卷积形成的输出特征集维度 $D_a \times D_b \times M$ 来表示。这取决于逐深度卷积过程中的卷积核大小 $k \times k$。逐点卷积中每个卷积核的直径为1×1,卷积核的总数等于输入特征集中的通道数量。如果存在 $N$ 个卷积核,卷积结果得到的特征图为 $D_a \times D_b \times N$。
> 下载:下载高分辨率图片(313KB) 下载:下载全尺寸图片
> 图3. FLVAE-MHADSDC框架的DSC结构
输入特征图 $H$ 的维度为 $D_h \times D_w \times M$,用于确定卷积核维度 $K$。输出通道数由输入通道数 $M$ 和 $N$ 表示。生成的特征图维度为 $D_a \times D_b \times N$。公式(23)定义了标准卷积:
$$S_c = \sum_{i=1}^{M} H_i \cdot K_{ji} + b_j, \quad j = 1, 2, \ldots, N$$
其中 $S_c$ 表示标准卷积,$H_i$ 表示特征图,$K_{ji}$ 表示核切片,$\cdot$ 表示卷积算子,$b_j$ 表示输出特征图的偏置。它显示了典型卷积运算中的浮点运算次数以及卷积训练参数总数 $P_1$。可通过公式(24)和(25)确定计算量:
$$P_1 = k \times k \times M \times N$$
$$F_1 = k \times k \times M \times N \times D_a \times D_b$$
卷积核维度决定了参数总数,公式(25)展示了输入集大小 $M$ 和输出特征图通道数 $N$。输出特征集维度 $D_a \times D_b$ 和参数 $P_1$ 决定了执行的浮点运算次数,如公式(26)所示。在逐深度卷积中,每个卷积核仅负责对相应输入通道的卷积操作。
$$Dwc = H_i \cdot K_j + b_j, \quad i, j = 1, 2, \ldots, M$$
因此,$K_j$ 表示逐深度卷积核 $Dwc$。逐深度卷积过滤输入通道而不是合并它们来创建新特征。因此,需要一个1×1标准卷积层来提供这些独特特征。逐深度卷积过程包括逐深度卷积的浮点运算 $F_2$ 和1×1逐点卷积,以及参数 $P_2$。$P_2$ 和 $F_2$ 可使用公式(27)-(28)中的方法计算:
$$P_2 = k \times k \times M + M \times N$$
$$F_2 = k \times k \times D_a \times D_b \times M + D_a \times D_b \times M \times N$$
与标准卷积相比,深度可分离卷积的计算量和参数显著减少。
**空洞卷积层:** 此外,采用空洞卷积来捕捉消息传播过程中的长程依赖关系并扩展感受野。空洞卷积算子也称为阿透卷积。该技术在语义特征中被用于增加CNN的深度,而不是对特征图进行下采样。主要目的是利用卷积核在特征之间引入空洞或零值,以提高过渡特征图的质量。因此,具有更大范围卷积核的深层CNN可以提取密集特征。然后,第 $l$ 层中维度为 $k \times k$ 的卷积核 $K_l$ 定义为:
$$DK_l = k + (k - 1) \times (D_k - 1)$$
其中 $D_k$ 表示卷积核 $K_l$ 的膨胀率。因此,阿透卷积通过允许在不引入额外参数的情况下扩展感受野,提高了模型的有效性并减少了过拟合。这增强了框架对网络多跳通信模式的理解能力。
**4.7.3. 多级层次注意力**
在卷积特征提取之后,该框架采用多级层次注意力机制,聚焦于识别恶意活动最相关的数据。
本文提出了一种分层样本作为车辆多标签识别框架的基础。特征提取组件主要由多头注意力层和向量编码器组成。多模态向量编码器必须对输入数据进行编码,以生成语义正确的初始模态向量,同时保留上下文依赖关系和重要的语义特征。然后通过使用多个多头注意力层对多模态向量进行层次化表示,在每一层提取语义表示。对于多层次标签识别,分层模块确定了对应于车辆的各层级之间的语义分离。根据特定任务的标签层级,可以修改网络结构和特征提取层的高度。损失函数已经过计算以优化模型设置。利用多头注意力技术提取了各层级的分层语义数据,以符合多级标签结构。随着每个多头注意力层收集语义数据的深度增加,DENM特征表示实现了更大程度的降维。利用三级层次标签结构计算了多级DENM消息向量。
(30)
其中,Multihead(.) 表示在每一层使用的变换函数,采用多头注意力机制,H1、H2、H3 分别表示三个不同层次深度下的DENM特征向量示例。
分层模块:传统神经网络采用的单层结构通常会导致识别准确率不理想,因为它无法表示标签类之间的层次关系。为了克服这一限制,本文提出了一种分层网络,利用转换矩阵定义相邻层次之间的模型转换。该模型通过在所有层次上同步调整特征来确保多标签分类。层次化表示的正式定义如下:
(31)
因此,x 表示该层的数据总量,k 表示产品的数量,l1、l2、l3 表示不同层次深度的节点消息数。注意力权重通过赋予不确定模式更高的重要性来提高模型识别危险行为的能力。
4.7.4. VAEA
VAE处理注意力增强的特征并学习典型车辆通信的分布[26]。VAE接收此输出,以提供紧凑的概率表示。潜在变量 l 基本上包含了数据的关键特征。解码网络根据潜在变量 l 的描述生成新样本。该框架识别了一个简单的条件概率分布。采用变分推断 x(l|p,z) 来估计真实的预测值 y(l|p,z)。利用KL散度判断 x(l|p,z) 与 y(l|p,z) 之间的关系:
(32)
其中 z 表示新生成的样本,l 提供描述样本特征的潜在变量。将贝叶斯方法 y(l|p,z) = y(p|l,z)·y(l|z) / y(p|z) 代入公式(13)中,可得:
(33)
其中 x(l|p,z) = M(l|η(p;φ), ψ(p;φ)) 构成了一个新引入的函数。该函数假设模型服从高斯分布。此处,φ 从初始样本中获得,而 η 和 ψ 是可以使用神经网络训练的任意函数。通过将两个多元高斯分布之间的KL散度表示为 CAB[x(l|p,z) ‖ y(l|z)],可以构建以下公式:
(34)
(35)
其中 S 表示样本数量,μ 代表随机性,d 表示潜在变量的维度。公式(36)展示了重参数化技巧,因为采样过程是非连续的。
(36)
VAE从时序特征提取层接收序列表示,对输入的 probabilistic 分布(均值和方差)进行建模,以学习压缩的潜在空间。因此,即使在存在冗余、噪声或信息不足的情况下,也能提取出鲁棒的特征。用于恶意误行为检测等任务的最终特征表示由潜在向量组成。在检测过程中,计算原始输入与重建结果之间的重建误差。由于误差超过了特定阈值,该行为可以被测量为异常。
4.7.5. 联邦学习
系统中采用联邦学习来处理将未处理的车辆数据转发到集中式服务器的任务。所提出的FL提供了一种机器学习框架,使多辆车可以协同训练,而不需要节点交换原始数据。客户端使用自己的数据训练本地模型,并仅与中央服务器通信更新。服务器合并这些修改以创建全局模型,然后将其返回给客户端。模型训练的FL过程如图4所示。
图4. 模型训练的FL过程。
所提出的FL架构假设一些车辆 V = {1, 2, 3, 4, ...N}、云服务器、RSU、受信任的监管部门和许可机构都相互连接。参与FL训练的每辆车 V 使用维度为 s 的本地信息进行训练。作为训练数据的输入输出对由从数据样本中获得的特征向量集合组成;每个输入矩阵确定输出。服务器对每辆参与车辆使用具有分布式全局方法的通信轮次。本地算法使用分布式随机梯度下降(DSGD)进行训练。本地训练完成后,使用独立的通信方法在服务器上上传和构建本地模型。
每辆车或RSU使用自己的数据训练本地FLVAE-MHADSDC模型。中央聚合器仅接收模型的参数(权重或梯度)。服务器通过全局模型聚合更新共享模型。采用加权平均修改全局模型:
(37)
其中 Wi 表示本地权重模型,ni 表示节点 i 的样本总数,n 表示每个节点的样本数。在分布式车辆网络中,该过程确保了灵活性和隐私保护。该过程通过定期的联邦训练会话不断改进其识别能力。车辆数据已被添加到本地场景中。全局框架不断扩展以识别攻击模式,保持识别恶意节点的强健和灵活过程。
在提出的框架中,FL在模型训练期间被使用,最终的误行为检测在后台执行。FLVAE-MHADSDC模型由客户端在本地训练,而不共享原始训练数据。这些本地训练的参数被传输到模型聚合过程中。基于此聚合数据,获得全局模型。然后该全局模型被分发给客户端用于下一次训练过程。FL训练过程完成后,后台使用全局FLVAE-MHADSDC模型进行误行为检测。该后台获取预处理后的DENM,并执行包括日志聚合、时序回溯、多维特征提取、融合和节点级分类在内的处理过程。FL负责去中心化的模型训练,而最终的误行为检测在后台执行。
5. 结果与讨论
本节通过使用常用流量和网络模拟工具开发真实且高保真的车辆通信测试平台,评估了所提出的后台辅助恶意节点检测系统的有效性。数据集中的样本总数为5000;其中20%的总样本用于测试,即1000个样本,其余80%用于训练,即4000个样本。测试数据集由500个正常实例和500个恶意实例组成,以确保对所提出模型在区分正常和恶意车辆行为方面的准确评估。以预定义恶意行为生成的样本被标记为恶意,在正常通信场景中生成的样本被标记为正常。进行了10次独立运行,并将这些运行的平均值作为所提出方法的性能。使用固定随机种子42进行洗牌和分割。为防止数据泄露,采用逐节点分割策略,即每辆车仅出现在训练集或测试集中。
5.1. 仿真框架
仿真环境通过结合城市交通模拟(SUMO)1.18.0版本和OMNeT++网络仿真器6.0版本与VEINS 5.2集成创建。SUMO是一个开源的微观城市交通仿真工具,能够有效模拟车辆移动、交通流、交叉路口、交通信号和交通拥堵。另一方面,OMNeT++是一个用C++编写的模块化网络仿真工具,用于建模车辆通信。VEINS集成了SUMO和OMNeT++,以有效模拟车辆网络通信,如表2所示。总仿真时间为300秒,车辆最大速度20 m/s,通信距离300 m,无线电技术为IEEE 802.11p,MAC协议为IEEE 802.11p,IEEE 802.11p信道模型包丢失,RSU预定义路边位置,DENM频率为每辆车1条消息,后台上传周期1秒,随机攻击者部署程序。
表2. 系统参数与数值。
| 参数 | 配置 |
|------|------|
| 仿真工具 | SUMO 1.18.0和OMNeT++ 6.0,通过VEINS 5.2集成 |
| 总节点样本 | 5000 |
| 地图来源 | OpenStreetMap(马德里城市场景) |
| 通信类型 | VANET |
| 消息类型 | DENM |
| 每个攻击场景的车辆总数 | 60 |
| 最大跳数 | 5 |
| 模拟事件 | 交通拥堵、道路施工和交通事故 |
| 受攻击的语义字段 | 严重程度、原因代码、子原因代码、可靠性 |
| 每个密度的语义攻击组合数 | 15(四个字段的所有一次非零组合) |
| 评估的攻击者密度 | 5%、10%、15%、20%、25%、30%、35%、40% |
| 攻击行为 | 消息发起操纵、转发消息操纵或两者兼有 |
| 每个攻击者密度的车辆数 | 900(15个场景 × 60辆车) |
| DENM预处理位置 | RSU(在转发至后台之前) |
| 检测执行位置 | 仅限后台系统 |
| 检测级别 | 节点级别 |
| 真实值生成 | 每个攻击者密度的预定义恶意节点集合 |
| 评估指标 | 准确率、精确率、召回率、F1分数、混淆矩阵 |
该集成仿真环境能够对V2V通信和V2I通信进行真实建模,包括多跳消息传播、信道接入行为和通信延迟,这对于评估C-ITS中的误行为检测技术至关重要。超参数详情见表3。
表3. 所提出方法的超参数详情。
| 参数 | 值 |
|------|------|
| 潜在维度(VAE) | 32 |
| 编码器层数(VAE) | 3 |
| 解码器层数(VAE) | 3 |
| 激活函数(VAE) | ReLU |
| DSDC层数 | 4 |
| 核大小(DSDC) | 3 |
| 膨胀率(DSDC) | 1, 2, 4, 8 |
| DSDC激活 | ReLU |
| 注意力层数(分层注意力) | 3 |
| 注意力头数(分层注意力) | 4 |
| 注意力维度(分层注意力) | 64 |
| 批量大小 | 64 |
| 学习率 | 0.001 |
| 优化器 | Adam |
| 总客户端数(FL) | 50 |
| 每轮客户端数(FL) | 10 |
| 本地轮次(FL) | 5 |
| 通信轮次(FL) | 50 |
| 聚合方法(FL) | FedAvg |
| 损失函数(加权损失) | MSE(VAE重建)、二元交叉熵(恶意检测)、Kullback-Leibler散度损失(VAE潜在空间) |
为了评估模型有效性,所提出的方法被与CNN、图神经网络(GNN)、多层感知机(MLP)、CNN-GRU、极端梯度提升(XGBoost)、RF、LSTM、Aquila、注意力残差网络(AAResNet)以及FL辅助的混合一维视觉Transformer(HviT)进行了比较。这些方法被重新实现以确保对各种DL架构进行全面比较。在这些方法中,使用CNN有效捕获局部特征表示,使用LSTM模型捕获时间依赖关系。GNN提取实体间的关系,MLP表示全连接神经网络基线。CNN-GRU集成时间序列与空间特征以增强性能。此外,与传统集成模型RF和XGBoost进行了比较。FL-HviT代表了基于FL的框架,AAResNet提供了基于残差的注意力学习技术,聚焦于信息区域。为确保公平比较,所有现有方法均在相同的训练/测试划分、实验设置、参数调优(如适用)、预处理、评估指标和数据集下进行评估。
5.2. 城市交通状况
使用来自OpenStreetMap的真实城市地图创建交通网络。选择了马德里市的代表性区域作为测试场景,以代表真实的城市道路网络拓扑和交通模式。然后将地图导入SUMO以建模城市网络及其特征。在OpenStreetMap地图中,有许多地理要素被表示,如点(如交通信号灯)、线(道路)、多线字符串(复杂道路结构)和多边形(城市区域和建筑物)。
5.3. 事件形成
实验中测量了三个示范性交通相关事件:
- 事件1:交通拥堵,由原因代码=1和子原因代码=2指示。
- 事件2:道路施工,由原因代码=3和子原因代码=4指示。
- 事件3:交通事故,由原因代码=2和子原因代码=8指示。
这些事件被选中是因为它们在城市环境中很常见,并在车辆决策中起着关键作用。
5.4. 后台数据收集
每辆车在仿真过程中存储所有获取和转发的DENM记录,包括发送者、接收者、跳数、时间戳、事件标识符和语义属性等元数据。RSU被用于定期将这些日志发送到后台网络。在运行所提出的恶意节点识别算法之前,后台会合并来自每辆车的DENM数据,并执行有效的事件级分区和时序排序。
通过这种集中式聚合,能够实现精确的逐跳时间回溯和消息传播路径的全局感知。5.5. 性能指标评估
节点级分类指标(如准确率、精确率、召回率和F1分数)被用于评估所提议框架的有效性。对于每一次模拟运行,识别出的恶意车辆都与实际的攻击者安装进行关联。为了检查在逐步升级的对抗情况下系统的鲁棒性,性能对每一个攻击者密度进行了单独展示。性能指标如表4所示。
表4. 性能指标。
指标 | 定义 | 公式
准确率 | 评估模型预测正确标签的能力。 | Accuracy = (TP + TN)/(TP + TN + FP + FN)
精确率 | 计算被正确识别为正标签的比例。 | Precision = TP/(TP + FP)
召回率 | 实际标签中被准确预测为正标签的数量。 | Recall = TP/(TP + FN)
F1分数 | 精确率和召回率的调和平均数。 | F1-score = 2 × precision × recall/(precision + recall)
特异性 | 被标记为假阳性和真阴性的DENM特征的总数。 | Specificity = TN/(TN + FP)
其中,TP表示真阳性,TN表示真阴性,FP表示假阳性,FN表示假阴性。
5.6. 与其他方法的比较分析
本节提供了结果分析以及所提议方法与其他现有方法的比较。所提议的模型在多个性能指标(如准确率、精确率、召回率、F1分数、特异性和延迟)方面进行了比较。现有方法[27]包括LSTM、CNN、图神经网络(GNN)和CNN-GRU。
图5展示了通过改变节点数量的准确率性能比较。在该图中,使用了不同数量的车辆数据样本(500至2500个节点),模拟结果评估了现有的深度学习设计,包括CNN、LSTM、GNN和CNN-GRU。所提议的技术始终获得最高的准确率(约98至98.5%),表明其具有很强的恶意节点检测能力。随着车辆数据点的增加,该模型在大规模交通系统中表现出良好的可扩展性和稳定性。现有方法受限于互联网连接速度以及用于监控、评估和传播安全信息的计算能力。所提议的模型采用多维度特征提取方法和后端验证,以确保可靠地识别DENM消息在多跳传播期间的变化。
图6展示了通过改变节点数量的精确率性能比较。研究发现,所提议的方法在精确率方面(约96至97%)高于检测率较低的现有方法。然而,现有方法存在一些局限性,例如复杂性增加、依赖后端系统进行验证,以及处理大量车联网数据时可能产生的延迟。因此,所提议的方法在CVN中具有更高的有效性,通过结合语义和时间评估实现了更高水平的上下文理解,并且随着车辆数据的增加具有更高的灵活性。
图7展示了通过改变节点数量的召回率性能比较,代表了协作车辆系统中对恶意节点的识别。在多跳消息分发期间,所提议的方法始终获得最高的召回率值(约98至99%),表明其具有很强的准确识别大多数恶意网络而不遗漏大量攻击的能力。随着车辆信息样本数量的增加,所提议的召回率显著改善,表明该系统受益于更大的数据集,并在扩展的车辆环境中保持出色的检测能力。然而,现有方法可能导致汽车与服务器之间的通信延迟,并在实时车联网部署中增加系统复杂性。因此,所提议的架构可以扩展以适应不断增加的车辆数据,具有改进的恶意节点识别能力,在检测攻击方面非常可靠,并且由于多维度分析而具有更高的上下文感知能力。表5展示了所提议方法和现有方法的准确率、精确率和召回率值。
表5. 所提议方法和现有方法的准确率、精确率和召回率值。
准确率(%)(均值 ± 标准差)
节点数量 | 所提议方法 | LSTM | CNN | GNN | CNN-GRU
500 | 98.3 ± 0.2 | 91 ± 0.3 | 92.6 ± 0.4 | 94.6 ± 0.4 | 97.4 ± 0.6
1000 | 98 ± 0.3 | 91.3 ± 0.4 | 92.4 ± 0.5 | 94.4 ± 0.5 | 97.2 ± 0.5
1500 | 98.2 ± 0.2 | 91 ± 0.3 | 92.3 ± 0.5 | 94.2 ± 0.4 | 97.5 ± 0.6
2000 | 98 ± 0.3 | 91.4 ± 0.4 | 92.7 ± 0.5 | 95.2 ± 0.5 | 97.3 ± 0.5
2500 | 98.5 ± 0.1 | 91.6 ± 0.5 | 92.9 ± 0.5 | 94.6 ± 0.4 | 97.8 ± 0.6
精确率(%)(均值 ± 标准差)
节点数量 | 所提议方法 | LSTM | CNN | GNN | CNN-GRU
500 | 96.87 ± 0.2 | 85.11 ± 0.4 | 87.87 ± 0.5 | 90.9 ± 0.5 | 93.7 ± 0.6
1000 | 96.79 ± 0.1 | 85.2 ± 0.3 | 87.26 ± 0.4 | 90.85 ± 0.6 | 94.28 ± 0.6
1500 | 96.59 ± 0.2 | 86.08 ± 0.4 | 87.96 ± 0.5 | 90.45 ± 0.5 | 94.76 ± 0.7
2000 | 96.48 ± 0.3 | 85.45 ± 0.3 | 87 ± 0.4 | 90.73 ± 0.6 | 94.93 ± 0.6
2500 | 96.25 ± 0.2 | 85.68 ± 0.4 | 87.63 ± 0.5 | 90.36 ± 0.5 | 95.33 ± 0.6
召回率(%)(均值 ± 标准差)
节点数量 | 所提议方法 | LSTM | CNN | GNN | CNN-GRU
500 | 98.1 ± 0.2 | 87.73 ± 0.3 | 89.5 ± 0.5 | 92.59 ± 0.5 | 93.57 ± 0.6
1000 | 98.36 ± 0.3 | 87.71 ± 0.4 | 89.45 ± 0.4 | 92.42 ± 0.5 | 93.72 ± 0.6
1500 | 98.42 ± 0.1 | 87.65 ± 0.3 | 89.36 ± 0.5 | 92.63 ± 0.6 | 93.94 ± 0.6
2000 | 98.37 ± 0.3 | 87.58 ± 0.4 | 89.27 ± 0.4 | 92.45 ± 0.5 | 94.27 ± 0.6
2500 | 99.25 ± 0.2 | 87.36 ± 0.3 | 89.36 ± 0.5 | 92.36 ± 0.5 | 94.55 ± 0.7
图8展示了通过改变节点数量的F1分数性能比较。在该图中,考虑了不同大小的车辆数据样本(500至2500个节点)进行评估。对于在多跳消息分发期间识别恶意节点,所提议的方法始终达到最高的F1分数,达到97至98%。这表明精确率和召回率之间有良好的平衡。该方法提出的F1分数表现出高灵活性和鲁棒性,随着车辆样本总数的增加,保持稳定甚至略有改善。然而,模型在车辆、基础设施和后端计算机之间具有较高的传输成本。因此,所提议的方法保持出色的安全性,移除恶意节点,并保护位置数据隐私。
图9展示了通过改变节点数量的特异性性能比较。在该图中,所提议的策略与现有模型进行了比较,以评估在协作车辆系统中恶意节点识别的有效性。所提议的算法持续实现最高特异性(约98至99%),显示出该算法在确保准确识别合法车辆方面强大的能力。随着车辆样本数据量的增长,特异性保持稳定并略有改善,表明检测系统即使在大规模车辆环境中也能成功区分恶意网络和正常网络。然而,现有模型由于多层检测技术导致系统复杂性增加,处理大量流量数据的处理成本更高,并且依赖数据质量进行精确分类。因此,所提议的框架具有更低的假阳性率、更高的网络可信度、随着车辆数据增长具有更好的可扩展性,以及在检测合法汽车方面具有更高的可靠性。
图10展示了通过改变节点数量的延迟性能比较。随着车辆数据样本数量的增加,用于识别恶意节点的不同模型的计算延迟也随之增加。现有模型(包括LSTM、CNN、GNN和CNN-GRU)的延迟随着网络规模从500增加到2500个节点而上升。这是因为分析大量流量行为的异常情况通常需要更多的处理开销。有趣的是,在2500个节点的阈值下,所提议的方法在所有数据水平上始终保证最低的延迟,低于30毫秒。这意味着所提议的方法比现有的方法(如具有最高延迟的LSTM)具有更好的可扩展性和计算效率。因此,所提议的解决方案特别适用于高密度车辆信息中的实时安全任务,在这些任务中,快速识别恶意行为对于安全至关重要。表6展示了在不同节点数量下所提议方法和现有模型的F1分数、特异性和延迟值。
表6. 所提议方法和现有模型在不同节点数量下的F1分数、特异性和延迟值。
F1分数(%)(均值 ± 标准差)
节点数量 | 所提议方法 | LSTM | CNN | GNN | CNN-GRU
500 | 97.48 ± 0.1 | 86.4 ± 0.3 | 88.67 ± 0.4 | 91.73 ± 0.5 | 93.82 ± 0.6
1000 | 97.56 ± 0.2 | 86.43 ± 0.4 | 88.34 ± 0.5 | 91.62 ± 0.6 | 94.11 ± 0.7
1500 | 97.49 ± 0.3 | 86.85 ± 0.3 | 88.65 ± 0.5 | 91.52 ± 0.5 | 94.38 ± 0.6
2000 | 97.41 ± 0.1 | 86.5 ± 0.3 | 88.12 ± 0.4 | 91.58 ± 0.6 | 94.65 ± 0.6
2500 | 97.72 ± 0.2 | 86.51 ± 0.4 | 88.48 ± 0.4 | 91.34 ± 0.5 | 94.88 ± 0.7
特异性(%)(均值 ± 标准差)
节点数量 | 所提议方法 | LSTM | CNN | GNN | CNN-GRU
500 | 98.53 ± 0.2 | 92.58 ± 0.4 | 94.08 ± 0.4 | 95.56 ± 0.5 | 96.42 ± 0.6
1000 | 98.42 ± 0.2 | 92.36 ± 0.3 | 94.02 ± 0.5 | 95.36 ± 0.6 | 96.73 ± 0.7
1500 | 98.36 ± 0.3 | 91.36 ± 0.4 | 92.63 ± 0.4 | 94.25 ± 0.5 | 96.84 ± 0.6
2000 | 98.35 ± 0.1 | 90.89 ± 0.3 | 92.63 ± 0.5 | 94.37 ± 0.6 | 97 ± 0.6
2500 | 98.74 ± 0.2 | 91.63 ± 0.4 | 93.96 ± 0.4 | 95.87 ± 0.5 | 97.2 ± 0.7
延迟(毫秒)(均值 ± 标准差)
节点数量 | 所提议方法 | LSTM | CNN | GNN | CNN-GRU
500 | 18 ± 0.1 | 25 ± 0.3 | 23.5 ± 0.4 | 21 ± 0.5 | 19 ± 0.7
1000 | 20.3 ± 0.2 | 27.4 ± 0.3 | 25.9 ± 0.5 | 23.8 ± 0.6 | 21.7 ± 0.6
1500 | 23.8 ± 0.1 | 30.5 ± 0.4 | 28.7 ± 0.5 | 25.4 ± 0.5 | 24.5 ± 0.6
2000 | 25.7 ± 0.2 | 33.7 ± 0.5 | 31.5 ± 0.4 | 28.9 ± 0.6 | 26.3 ± 0.6
2500 | 27.3 ± 0.3 | 35.8 ± 0.4 | 33.8 ± 0.4 | 30.3 ± 0.5 | 28.8 ± 0.6
图11展示了所提议的恶意节点分类方法的混淆矩阵。在识别正常类别时,所提议的方法将420个识别为正常,60个识别为恶意。在检测恶意类别时,将80个识别为正常,440个识别为恶意。所提议的方法可以有效地处理大型高分辨率数据集以提高性能。
图12(a)至(d)展示了后端辅助的恶意节点识别在不同攻击者密度下的效率。随着攻击者密度从5%增加到40%,系统保持了有益的检测能力,但性能逐渐下降,因为在密集的对抗情况下有害行为变得更加复杂。准确率从约0.98到0.89的轻微下降表明,后端辅助评估即使在存在大量黑客的情况下也能可靠地区分恶意节点和正常节点。同样,"召回率"值从0.96下降到0.85,"精确率"从约0.98下降到0.92,这表明当攻击强度增加时,识别所有恶意节点的困难性。所提议的结构通过F1分数持续从0.97下降到0.88,保持了适当的检测性能。在高度敌对环境中获得的结果表明,通过结合语义消息评估、时间传输跟踪和后端辅助验证,可以实现CVN中鲁棒和高效的恶意节点识别。表7展示了通过改变攻击者密度的准确率、精确率、召回率和F1分数值。
表7. 通过改变攻击者密度的准确率、精确率、召回率和F1分数值(均值 ± 标准差)。
攻击者密度(%) | 准确率 | 精确率 | 召回率 | F1分数
5 | 0.983 ± 0.001 | 0.985 ± 0.002 | 0.962 ± 0.001 | 0.972 ± 0.001
10 | 0.978 ± 0.001 | 0.982 ± 0.001 | 0.955 ± 0.001 | 0.968 ± 0.002
15 | 0.972 ± 0.002 | 0.978 ± 0.002 | 0.95 ± 0.002 | 0.964 ± 0.003
20 | 0.965 ± 0.002 | 0.972 ± 0.003 | 0.945 ± 0.003 | 0.958 ± 0.001
25 | 0.95 ± 0.001 | 0.958 ± 0.003 | 0.93 ± 0.002 | 0.942 ± 0.002
30 | 0.935 ± 0.002 | 0.945 ± 0.001 | 0.91 ± 0.001 | 0.925 ± 0.003
35 | 0.915 ± 0.001 | 0.932 ± 0.002 | 0.885 ± 0.002 | 0.907 ± 0.002
40 | 0.885 ± 0.003 | 0.915 ± 0.002 | 0.85 ± 0.001 | 0.878 ± 0.001
表8展示了所提议方法在95%置信区间下的性能。这表明了在重复独立运行中性能的不确定性。该评估考虑了四个指标,包括准确率、精确率、召回率和F1分数。此置信区间表明了所提议的性能在不同运行中的稳定性。
表8. 所提议方法在95%置信区间下的性能。
指标 | 95%置信区间
准确率 | 98.5 [96.25–99.21]
精确率 | 96.25 [94.23–98.01]
召回率 | 99.25 [98.12–99.64]
F1分数 | 97.72 [95.21–98.89]
5.7. 高密度和高移动性场景分析
在高密度和高移动性VANET场景中,分析了逐跳时间回溯技术的鲁棒性。在该场景中,会出现传输延迟、高消息并发、移动性和丢包。因此,这使得前驱节点识别过程变得具有挑战性。高密度和高移动性场景的结果在图13、图14中进行了评估。随着移动性的增加,丢包率和延迟增加。同样,随着节点数量的增加,丢包率和延迟也增加。然而,所提议方法的性能优于其他深度学习和最近的先进技术。这种性能归因于VAE表示和深度可分离卷积。此外,逐跳时间回溯通过选择最近的有效DENM来增强前驱节点识别。因此,在这些场景下,路径关联误差被最小化。这些结果表明,所提议的方法在重建DENM传播路径方面在具有挑战性的场景下是有效的。尽管逐跳约束提供了有效的前驱节点识别,但当相关的DENM实例或后端不可用时,无法保证完全重建。因此,所提议的方法将缺失的前驱详细信息视为未解决的链接。此外,路径重建的可靠性基于接收到的DENM记录的一致性和可用性。
5.8. 复杂度分析
评估了所提议方法的计算复杂度以证明方法的可行性。设联邦学习客户端数量为L,本地迭代次数为F,序列长度为U,特征维度为e,层次注意力层数为M,模型参数数量为Q,轮数为S,每个客户端的样本数为T,输入维度为E,卷积核大小为l。则,与多层次层次注意力、VAE和深度可分离卷积相关的复杂度表示为O(MU2e)、O(Ea)和O(UE(l+e))。其中a表示VAE的潜在维度。因此,总计算复杂度表示为O(SL·FT·[Ea+MU2e+UE(l+e)]·SL·Q)。此外,通信复杂度基于轮数、客户端数量和参数数量。因此,所提议方法的通信复杂度为O(2SL·Qc)。其中L表示轮数,K表示客户端数量,Q表示具有c位数的参数。
通信和计算开销的实验结果在图15中给出。这些结果与现有的基于深度学习的恶意检测方法进行了比较。与其他方法相比,所提议方法表现出了更好的性能。在所提议的方法中,由于深度可分离卷积、联邦学习、VAE和层次注意力的使用,开销更低。
通过采用逐点操作而非标准卷积,模型参数量被最小化。与均匀注意力机制不同,层次化注意力机制关注信息量较大的区域以提升性能。此外,通过VAE表示,后续层传递的信息量也被最小化。此外,联邦学习(FL)的集成在不增加额外复杂性的情况下,通过迁移模型参数来增强性能。
5.9 鲁棒性分析
为了分析所提模型的鲁棒性,进行了k折交叉验证和独立场景验证。整个数据集被划分为五折,其中四折用于训练,未见的折次用于测试。该过程重复执行,直到所有折次都作为测试集使用过一次。k折交叉验证的结果如图16所示。结果显示各折次之间偏差较小,表明模型具有鲁棒性。所提方法较高的准确率表明了该模型在恶意车辆检测中的有效性。
5.10 消融研究
为了分析各组件的贡献,进行了消融研究。通过逐一移除各组件来评估性能。在移除组件时,所提方法的性能受到影响。消融结果见表11。通过移除逐跳回溯,无法捕捉到之前的DENM观测值,准确率降至92.01%。语义线索从DENM中提取一致性细节,而非考虑时序属性。移除该组件后,性能降至95.14%。时序线索提取随时间变化的车辆和DENM消息特征。移除注意力模块后,由于缺乏信息特征,准确率降至93.12%。DSDC提取局部和长程模式,移除DSDC后准确率为90.12%。联邦学习的缺失表明了分布式数据学习在确保数据本地性方面的贡献。此外,移除加权融合后准确率降至96.15%。拼接过程用于组合特征,移除该组件后进行了分析。本分析表明每个模块对于提升所提系统的性能都是重要的。
5.11 语义攻击强度的影响
本小节考察了语义修改强度对恶意节点识别效果的影响。敌对车辆操纵DENM字段的数量和紧迫性决定了语义攻击的有效性。在考虑的对抗场景中,四个DENM字段——严重性、原因代码、子原因代码和可靠性——容易受到欺诈。因此,评估了15种不同的语义攻击配置,从单字段操纵到全部四个字段操纵。结果显示检测难度与语义攻击强度之间存在直接相关性。与后端的历史和多跳度量相比,单字段攻击往往导致较低的误分类率,因为部分语义修改带来的困难有限。具有多个修改字段的攻击配置显示更多的误报和漏报,这再现了通过协调区域扭曲产生的组合语义扭曲。
两个和三个字段组合的攻击表现出中等识别行为。后端可以通过关联时序和逐跳DENM数据之间的异常,识别出大部分恶意节点,即使攻击比单字段操纵更困难。这些情况中误分类率的稳步上升表明了检测复杂度随语义攻击强度增加的预期可控缩放。完全语义操纵,包括所有四个字段,是最困难的场景。在这些情况下,恶意DENM在节点分类中更具歧义性,因为它们与合法但语义误导的事件非常相似。然而,即使面对如此强大的攻击,检测机制也没有表现出灾难性退化。但后端聚合和合并方法的有效性在性能逐渐降低中显而易见。
必须强调的是,各种语义配置中存在轻微的非单调变化。这些变化是有意引入的,以代表真实的车联网环境,其中存在重叠的事件传播、不同的网络密度和随机消息延迟。这种随机化增加了实验评估的范围。实验证明,攻击的语义强度始终反映在检测性能中。所提系统通过有效对抗轻度至中度语义攻击,同时在多字段操纵的高级别场景中保持所需的鲁棒性,证明了其在真实CVN环境中的适用性。
5.12 威胁模型和安全假设
在所提模型中,恶意车辆被视为主要攻击者。攻击者可以生成、转发、重放、阻塞或篡改DENM。多个恶意车辆可能交换信息以生成受污染的恶意消息。这些攻击在检测模型行为时被考虑在内。假设RSU在正常进程行为下是可信的。然而,后端或RSU的 compromised 被认为超出主要威胁级别。然而,这种 compromised 表明存在局限性。在所提模型中,假设基于PKI的证书认证和加密凭据用于确保通信的认证和完整性。在可信场景中,还假设通过伪匿名证书保护匿名性。此外,由于逐跳回溯和时序排序基于消息时间,假设时间戳是同步的。然而,可能存在常见的延迟、丢包和缺失的DENM。由于缺乏详细信息,这些丢失被视为不完整观测而非恶意行为数据。安全存储后,DENM日志由检测框架删除。因此,后端日志的 compromised 超出了威胁模型范围,并可在未来研究中进一步改进。
5.13 与现有方法的比较
本节将文献中描述的典型恶意行为检测框架与所建议的后端辅助恶意节点识别架构的有效性进行比较。需要注意的是,不同的研究使用了不同的数据库、攻击模型和评估理论。比较将基于有效性、对攻击者密度增加的可持续性、设计选项,而非精确的数值对比。表12显示了各种现有方法的比较。
5.14 实际应用影响
本小节解释了实验结果的影响及其对协作车辆网络实际应用的意义。为了减少单个车辆的计算和通信负担,所提的恶意节点检测架构设计为在后端运行。DENM日志通过RSU收集。减少车辆上的负担是后端辅助策略的主要优势。车辆无需维护周围节点的长期行为模式并执行复杂的语义分析。相反,后端分析聚合的长期模式并执行复杂分析。简单的消息传输和协议合规即可满足要求。汽车OBU的资源限制最适合所提架构。
实验数据中检测到的误报率至关重要。过度使用误判可能导致不必要的吊销、车辆协作减少以及协作系统信任降低。所提模型通过专注于准确率和保守检测方法来识别大部分恶意节点,从而最小化这些风险。此外,该模型无需修改加密认证过程,并与现有C-ITS标准兼容。由于签名验证的独立性以及对语义一致性的关注,识别恶意节点的逻辑可以作为额外的安全层添加,而不影响现有通信协议。
从可扩展性角度看,框架应对各种语义攻击配置和每个攻击者密度下900辆车辆的潜力,使其适用于人口稠密的城市场景。随着攻击者密度增加而性能下降的表现证明了框架能在真实的对抗场景中运行,而不仅仅是假设场景。所提方法的启示证明了后端辅助的语义和时序分析是解决大规模交通网络中恶意行为检测可扩展性缺口的有效手段,这一需求来源于实际实施而非检测算法的理论性质。
假设RSU受到 compromised 而后端可信。此假设用于车辆之间的恶意行为检测。受 compromised 的RSU可能通过提供不可信信息或修改接收消息影响检测过程。此外,受 compromised 的后端影响模型的分布、聚合和信任管理。这些攻击影响检测过程的可靠性,从而提供虚假信息并导致模型投毒。为解决此问题,未来工作将专注于包括完整性验证、RSU认证、安全聚合和鲁棒深度学习在内的额外技术。
6. 结论与未来工作
本文提出了一种后端辅助系统,通过额外关注DENM中语义恶意行为的检测,用于识别CVN中的恶意节点。与车辆为中心的方法不同,所提策略采用通过RSU收集的DENM日志聚合,在集中式后端结构中进行节点级识别。通过积累多维指标,包括结构性、行为性、时序和语义形式,确保了能够识别各种有害行为形式的可靠检测系统。通过实施联邦学习、层次化注意力空洞卷积网络和VAE,识别了显著的恶意行为形式。本研究表明,后端辅助的时序和语义评估是检测协作自动驾驶交通系统中恶意节点的实用且高效的方法。对节点2500的测试结果显示,所提模型达到了准确率98.5%、精确率96.25%、召回率99.25%、F1分数97.72%、特异性98.74%和延迟27.3毫秒。
未来的研究将利用区块链技术来防止声誉记录被篡改,安全地保存恶意节点的历史信息,并为取证调查人员提供一份不可更改的审计记录。
资助:本手稿的撰写未获得任何资助。
伦理批准:本文不包含任何作者进行的人类参与者或动物研究。
参与同意:所有参与的作者均已同意参与本投稿文章。
出版同意:本手稿中所有参与的作者均完全同意发表本投稿文章。
作者贡献:所有作者均已阅读并批准最终手稿。
作者:
Ajay Kumar | Ashok Singh Sairam
印度理工学院古瓦哈提分校 数学系,印度阿萨姆邦古瓦哈提市,邮编781039