面向智能网联车辆的多层DDoS攻击仿真评估与AI检测框架构建

《Scientific Reports》：Securing intelligent transportation systems in the internet of vehicles through an AI-driven intrusion detection framework

　　## 摘要物联网（IoT）与现代车辆的整合已将交通系统转变为智能互联的车辆物联网（IoV）网络。然而，这种整合扩大了攻击面，使IoV网络面临威胁，危及运营可靠性和乘客安全。本研究提出了一种可配置的仿真平台，用于在正常和对抗条件下，针对多种拓扑结构和网络参数设计与评估IoV网络。该平台支持针对通信栈多个层级的分布式拒绝服务（DDoS）攻击，包括应用层的Slowloris和HTTP攻击、传输层的SYN和UDP攻击，以及基于反射的DNS和NTP放大攻击。平台还集成了数据集生成模块，可捕获IoV在良性与对抗条件下的行为，以支持安全模型的训练与评估。基于这些数据，研究者利用机器学习、深度学习和Transformer模型开发了一套基于人工智能的检测框架。结合通信层与AI分类指标的多层评估结果表明，该平台能够建模复杂的IoV行为并支持多种安全方法。此外，平台还量化了推理延迟与通信能耗之间的部署权衡，反映了资源受限设备的实际约束。实验结果显示，放大攻击破坏性最强；蜂窝拓扑结构的韧性最高，数据丢失率为56.5%，而VANET和曼哈顿拓扑的丢失率均达87.5%。在边缘约束条件下，Transformer模型可实现92%–93%的数据恢复率，但推理延迟为136–181毫秒；深度学习模型恢复率为89%–91%，延迟为17–45毫秒；机器学习模型恢复率为72%–87%，延迟最低，仅为12–27毫秒。这些结果凸显了检测能力与计算开销之间的权衡关系。