面向车载网络的新型射频干扰入侵检测系统:长短期记忆网络、极限梯度提升与元模型方法

《International Journal of Critical Infrastructure Protection》:Novel RF-jamming IDS for vehicular networks: LSTM, XGBoost, and meta-models approaches

【字体: 大 中 小 】 时间:2026年02月02日 来源:International Journal of Critical Infrastructure Protection 4.6

编辑推荐:

  随着智能交通系统(Intelligent Transportation Systems, ITS)的快速发展,车载网络支撑了多样化安全与舒适服务的落地,但其仍面临射频(Radio Frequency, RF)干扰攻击的持续威胁,制约了入侵检测系统(Intrus

  
随着智能交通系统(Intelligent Transportation Systems, ITS)的快速发展,车载网络支撑了多样化安全与舒适服务的落地,但其仍面临射频(Radio Frequency, RF)干扰攻击的持续威胁,制约了入侵检测系统(Intrusion Detection Systems, IDS)的有效性。研究人员针对该问题,提出了基于长短期记忆(Long Short-Term Memory, LSTM)网络、极限梯度提升(eXtreme Gradient Boosting, XGBoost)的新型IDS架构,以及融合两类方法的元模型以提升检测与分类性能。通过多模型对比分析,最优LSTM模型LSTM_RELU_IO-L1在车速25 m/s与15 m/s场景下分别实现95.67%与85.17%的准确率,优于基线模型与近期相关研究:K近邻(K-Nearest Neighbors, KNN)的94.46%/82.27%、随机森林(Random Forest, RaFo)的94.61%/80.04%,以及已有LSTM研究的95.17%/84.83%。进一步,融合LSTM与XGBoost的RFV-LG元模型中,RFV-LG-H6模型在低速场景(IDS最关键的部署场景)下准确率达96.46%,高速场景下准确率接近100%。上述成果推动了车载网络射频干扰IDS的技术前沿,确立了射频干扰IDS元模型作为具备实际部署潜力的前沿解决方案。
本研究发表于《International Journal of Critical Infrastructure Protection》,聚焦车载网络射频干扰入侵检测的关键技术瓶颈,具有重要的基础设施安全防护意义。当前智能交通系统快速发展,车载网络作为智慧城市核心组件,支撑车辆间、车辆与路侧基础设施及智能设备的海量数据交互,覆盖安全管控、交通调度、娱乐舒适等多类服务。但车载网络的开放性使其易受射频干扰攻击,此类攻击会阻塞无线信道,提升丢包率与传输时延,破坏网络可靠性,进而威胁车辆编队安全、提升碰撞风险、阻碍交通管理并干扰非安全类服务。车载网络的动态拓扑与高移动性进一步加剧了合法传输与恶意干扰的区分难度,在超密集网络、多干扰源及城市环境非故意干扰场景下,检测难度显著提升。现有入侵检测方案多基于静态或受控环境评估,难以适配高移动性或混合相对速度场景,且在复杂干扰条件下鲁棒性不足,轻量化单模型或混合架构的研究较为有限,难以满足实际部署需求。
研究人员围绕上述问题开展了系统性研究,核心技术创新包括四类:一是扩展已有LSTM射频干扰分类模型,设计多组LSTM架构与融合LSTM和XGBoost的元模型;二是通过网格搜索与迭代优化对包含多层LSTM与Dropout层的模型进行参数调优;三是开展消融实验,分离LSTM与XGBoost对模型性能的贡献;四是在25 m/s与15 m/s两类典型车速场景下开展多维度性能验证。研究数据集基于车载网络动态场景构建,覆盖无干扰、智能干扰、恒定干扰三类攻击场景,特征集包含物理层接收信号强度、信噪比、包投递率及相对速度等多维指标,信道模型采用包含莱斯衰落、路径损耗与瑞利衰落的复合模型以模拟真实城市多径环境。
研究结果部分的核心结论如下:
研究背景部分明确了车载网络射频干扰攻击的三类典型场景:无干扰场景下车辆仅受环境射频干扰影响;智能攻击场景中干扰节点可感知通信能量峰值并动态调整发射功率、频率与时序,隐蔽性更强;恒定攻击场景中干扰节点以满功率持续发射,意图直接阻断通信。三类场景覆盖了实际部署中面临的主要威胁类型。
相关工作部分系统梳理了现有研究的局限性:基于静态阈值的方案难以适配动态车载环境;引入相对速度特征的模型在低速场景下准确率不足;面向物联网或通用无线网络的模型未考虑车载移动性需求;深度学习方案多依赖高计算资源或理想假设,实际部署可行性低。上述分析明确了本研究的创新切入点。
威胁模型部分构建了包含有限车辆集合、路侧静态障碍物与传输塔的典型车载网络场景,明确节点角色分为接收端、发送端与干扰端,通信过程受多径衰落、热噪声及三类干扰场景影响。提出的IDS可部署于车辆与路侧基础设施,基于特征集FP={fp1, fp2, …, fpk}实现分类输出S=S1, S2, …, Sm。
提出的射频干扰入侵检测系统部分包含两类核心架构:LSTM架构通过输入门、遗忘门、输出门调控信息流,缓解梯度消失问题,集成Dropout层实现正则化,通过网格搜索优化超参数,输入序列χ={χ1, χ2, …, χn}经隐藏层状态h1, h2, …, hl更新后输出分类结果。元模型RFV-LG采用堆叠集成策略,融合LSTM的时序特征提取能力与XGBoost的特征交互建模优势,其中RFV-LG-H6为最优配置。
性能分析部分验证了模型的显著优势:最优LSTM模型LSTM_RELU_IO-L1在25 m/s与15 m/s场景下准确率分别达95.67%与85.17%,优于KNN、RaFo及已有LSTM研究;RFV-LG-H6模型在低速场景下准确率达96.46%,高速场景下接近100%。消融实验显示,RFV-LG-H6在25 m/s与15 m/s场景下较LSTM_nGS-L1分别提升5.08与12.79个百分点,较XGBoost_nGS分别提升2.41与9.29个百分点;高速场景下精确率、召回率与F1值均达99%,低速场景下均达97%,验证了集成策略的有效性。
讨论与结论部分指出,本研究通过融合LSTM与XGBoost的互补优势,显著提升了车载网络射频干扰检测的准确率与鲁棒性,尤其在低速关键场景下性能提升显著,解决了现有模型在动态高移动场景下的适配性问题。消融实验明确了两类基础模型对集成性能的贡献度,为后续轻量化部署提供了理论依据。研究成果推动了车载网络射频干扰入侵检测的技术前沿,RFV-LG-H6元模型具备低误报率、高适应性的特点,为智能交通关键基础设施的安全防护提供了可落地的技术路径,未来可进一步探索面向边缘计算场景的模型轻量化优化与多类干扰的细粒度分类。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号