《Journal of Cybersecurity and Privacy》：A Novel Approach to Sybil Attack Detection in VANETs Using Verifiable Delay Functions and Hierarchical Fog-Cloud Architecture
Habiba Hadri,
Mourad Ouadou and
Khalid Minaoui
编辑推荐：
车载自组织网络（VANETs）已成为实现智能交通系统以及为道路安全和交通效率开辟新前景的基础。然而，这些网络仍然容易受到Sybil攻击（一种要求恶意实体创建一系列虚假身份以产生不成比例影响的攻击形式）。本文提出了一种新的Sybil攻击检测框架，该框架将可验证延
车载自组织网络（VANETs）已成为实现智能交通系统以及为道路安全和交通效率开辟新前景的基础。然而，这些网络仍然容易受到Sybil攻击（一种要求恶意实体创建一系列虚假身份以产生不成比例影响的攻击形式）。本文提出了一种新的Sybil攻击检测框架，该框架将可验证延迟函数（VDFs）与分层雾云计算架构协同结合。研究人员的方法不依赖VDFs的任何额外属性，而是利用它们在计算上证明唯一性，通过特意部署的雾节点实现有效的局部检测。研究人员数学公式化了一个多层检测算法，该算法处理车辆在两个雾（和云）层上的交互，利用时空一致性和VDF挑战-响应模式生成怀疑分数。安全性分析证明了系统抵抗一系列Sybil攻击变体的能力，性能评估显示检测率超过97.8%，假阳性率低于2.3%。机器学习技术的融入也扩展了检测能力，研究人员的混合VDF-ML方法证明能更好地适应变化的攻击模式。实现细节和在不同交通条件下的详细模拟证明了所提出解决方案的可行性和效率，为安全的VANET通信建立了新的公平竞争环境。
车载自组织网络（Vehicular Ad Hoc Networks, VANETs）已成为智能交通系统的基础，为道路安全和交通效率提供了关键支撑。然而，VANETs仍易受Sybil攻击（一种通过伪造多个虚假身份影响网络行为的安全威胁）的威胁。现有检测方法（如基于位置验证、资源测试、密码学、社交网络和雾计算等）各有局限：位置验证依赖精确基础设施，资源测试易受硬件池化攻击，密码学方案存在证书撤销延迟和中心化负担，社交网络方法不适用于高度动态的车辆环境。因此，亟需一种同时满足高准确性、低延迟和隐私保护的新型检测方案。研究人员提出了一种结合可验证延迟函数（Verifiable Delay Functions, VDFs）与分层雾云架构的Sybil攻击检测框架，该框架通过VDF强制计算延迟实现身份速率限制，利用雾节点进行分布式实时分析，并引入机器学习增强检测能力。研究得出检测率超过97.8%、假阳性率低于2.3%的结论，为VANET安全提供了可扩展、自适应的解决方案。该论文发表于《Journal of Cybersecurity and Privacy》。
为开展研究，主要采用以下关键技术方法：1）可验证延迟函数（VDF），基于RSA群中的重复平方运算，实现顺序计算延迟以抵抗并行化攻击，并用于身份唯一性证明；2）分层雾云架构，包含车辆层、路侧单元（RSU）层、雾层和云层，实现分布式、低延迟的实时检测；3）多因素怀疑分数计算，综合VDF响应时间偏差、时空一致性、历史行为等因素，通过网格搜索、逻辑回归和基于ROC曲线的Youden指数优化权重和阈值；4）机器学习增强，采用XGBoost分类器，基于VDF响应特征、行为特征和网络交互特征进行异常检测。样本来源为基于OMNeT++和SUMO的协同仿真环境，使用摩洛哥拉巴特市实测地图生成交通轨迹，并注入受控的Sybil攻击。
研究结果如下：
1. 抵抗Sybil攻击变体（第6.1节）：通过安全性分析，证明框架对基本Sybil攻击的检测率>99.5%，协作攻击>98.2%，移动攻击>97.3%，硬件增强攻击>96.8%，混合攻击（结合多种策略）>95.5%。在硬件加速场景下，系统通过自适应延迟参数调整恢复计算成本不对称性。
2. 隐私保护（第6.5节）：通过链接概率分析、推理攻击模拟和差分隐私机制，证明VDF速率控制和雾层聚合将车辆重识别成功率从14%降至低于5%，链接概率从12–15%降至<4%。
3. 检测速度与延迟分析（第7.5节）：在中等密度交通（300辆车）下测量，端到端检测延迟（从信标发送到雾节点分类）为65–95毫秒，标记恶意车辆平均时间为0.9–1.4秒（9–14个信标间隔），满足实时安全要求。
4. 检测准确率（第7.6节）：在五种攻击场景下，检测率达到97.8%以上，假阳性率低于2.3%，假阴性率介于1.1%–2.2%。
5. 计算开销（第7.8节）：车辆CPU使用增加约15%（峰值27%），内存增加12 MB；雾节点CPU利用率30–60%；云基础设施（8核/16 GB RAM）处理吞吐量12000条消息/秒，支持500辆车。
6. 通信开销（第7.9节）：每辆车每分钟额外带宽1.8 KB（约5%的开销），使用紧凑密码证明和智能挑战调度压缩通信量。
7. 可扩展性（第7.10节）：在1000辆车网络中检测率保持>97%，假阳性<3%；5000辆车时检测率为96.8%，假阳性3.1%，延长延迟为7.3秒，通过水平扩展保持性能。
8. 与非VDF方法比较（第7.12节）：在与Voiceprint（基于RSSI相似度）、CFR信号聚类、协同学习、AdaBoost等方法的对比中，所提VDF框架在检测准确率和假阳性率上均表现更优，尤其在硬件增强攻击下优势显著。
9. 机器学习算法比较（第8.4节）：对决策树、支持向量机（SVM）、随机森林、LightGBM和XGBoost进行对比，XGBoost（300棵树）在检测准确率、假阳性率和推理时间方面最佳，带来5–8%的准确率提升。
总结讨论：论文通过形式化优化、自适应调整和分层冗余设计，使框架能够应对硬件加速攻击和部分基础设施妥协，同时保持隐私保护。研究结论部分原文翻译如下：“本文介绍了一种新颖的VANET Sybil攻击检测框架，该框架将可验证延迟函数与分层雾云架构协同结合。主要贡献包括用于计算怀疑分数的数学公式、跨雾层和云层的多层检测算法、响应演化威胁模式的混合VDF-ML检测方法，以及在多样化车辆交通条件下的全面安全与性能评估。研究者的发现表明，VDFs有效集成于雾计算模型，可实现可靠的Sybil攻击检测。该方法取得了超过97.8%的统计显著检测准确率和低于2.3%的假阳性率，超越了当前最先进的方法。连续威胁评分使其能够自适应响应新兴安全威胁。随着VANETs在实现智能交通系统中发挥关键作用，保护其免受复杂网络威胁日益重要。所提框架通过整合密码学技术、分布式架构和机器学习，展示了跨学科方法在保障动态去中心化车联网安全中的价值。”
