TinyRoute：面向动态交通环境的VANET安全自适应路由与零日攻击检测框架

《Scientific Reports》：TinyRoute: secure adaptive routing for intelligent transportation system using TinyML and few shot learning

　　

摘要

智能交通系统（ITS）需要安全且自适应的通信机制，以应对车对车（V2V）、车对基础设施（V2I）和车对一切（V2X）环境中动态的车辆移动性、路由不稳定性和日益复杂的网络攻击，而近期的车载自组织网络（VANET）路由和入侵检测方法分别提高了路由效率或攻击检测能力。然而，它们通常缺乏一个集成框架，能够在高度动态的交通条件下同时支持自适应路由、轻量级边缘智能和可靠的零日攻击检测。为解决这些问题，本文提出了TinyRoute，一个安全的自适应路由框架，集成了几何深度强化学习（Geo-DRL）、蜜獾优化算法（HBO）、TinyML以及基于CNN-LSTM的小样本学习入侵检测系统（FSL-IDS）。其中，Geo-DRL执行感知移动性的路由选择，而HBO通过避开恶意和拥堵区域来优化路由路径。TinyML使得自动驾驶车辆内的轻量级设备端异常推理成为可能。在仅有有限样本的情况下，基于云的FSL-IDS能够分别检测已知攻击和零日攻击。实验评估表明，TinyRoute实现了28.4毫秒的路由延迟、96.7%的数据包投递率（PDR）、95.2%的入侵检测准确率以及仅12.4 KB/s的通信开销，优于最近的最先进VANET路由和IDS方法。这些结果证明了所提框架在安全、自适应和低延迟ITS通信方面的有效性。