TV-AVN：基于随机森林的训练判决方法，用于自主车辆网络中的异常行为检测

《ACM Transactions on Privacy and Security》：TV-AVN: Training Verdict Based on Random Forest for Misbehavior Detection in Autonomous Vehicle Networks

车辆异常行为检测面临机器学习自适应攻击和信任管理挑战，尤其高信誉恶意车辆通过合法行为掩盖攻击。TV-AVN架构创新性地融合机器学习与信誉机制，采用公钥加密保障基础安全信息传输，通过本地机构定期整合检测结果更新信誉评分。实验表明，该方法对位置伪造攻击达到0.99精度、0.98召回和0.98F1分数，在抵御高信誉智能攻击时稳定性优于现有方案，有效维护车联网系统可信度。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

车辆异常行为检测面临多种技术挑战，包括针对机器学习的攻击和信任管理问题。一个关键问题是具有高声誉的恶意车辆问题，这类车辆通过维护合法的行为记录同时策略性地注入恶意内容来利用基于信任的安全机制。这种行为会制造系统性的漏洞，危及网络信任基础设施。影响高声誉恶意行为检测的攻击既有外部攻击也有内部攻击，需要全面的防御机制。然而，当前的车辆安全研究缺乏针对内部和外部攻击的统一防御措施。通常，有效抵抗内部攻击的研究在抵御外部攻击时表现较弱，反之亦然。为了解决这些问题，我们设计了一种名为“训练裁决自动驾驶车辆网络”（TV-AVN）的架构，该架构通过结合机器学习和声誉机制开发了一种新的异常行为检测系统（V-MDS）。所提出的方案采用了公钥密码系统来增强基本安全信息传输过程中的安全性。地方当局定期汇总检测结果以更新车辆的声誉分数。在全面的实验比较中，我们的方法展示了强大的安全性能，正式验证工具也证实了我们提出机制的安全可靠性。对于位置伪造攻击，我们的方法平均检测性能达到了0.99的精确度、0.98的召回率和0.98的F1分数。此外，所提出的方法在面对高声誉攻击者的智能攻击时表现出更强的韧性。尽管检测性能有所下降，但我们的方法仍然比现有方法更稳定，后者往往会出现快速恶化。总之，TV-AVN为车辆用户建立了可靠的通信机制，保持了长期的网络质量，并增强了用户对系统的信心。

AI摘要

AI生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现研究内容的相关性，并协助来自相关研究领域的读者理解本文。它是对作者提供的摘要的补充，作者提供的摘要仍然是论文的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。