利用机器学习保障车辆安全：针对下一代联网与自动驾驶车辆的异常行为检测技术综述

《IEEE Open Journal of the Communications Society》：Machine Learning to Secure Wheels: A Survey of Misbehaviour Detection for the Next Generation of Connected and Autonomous Vehicles

　　

摘要：

联网和自动驾驶车辆（CAVs）依赖于5G车对一切（V2X）通信技术，以实现诸如紧急制动、集体感知、编队行驶和危险预警等关键安全与协作应用。公钥基础设施（PKI）能够确保身份验证和消息完整性，但在高度动态的车辆环境中，对于内部攻击、数据篡改以及由故障引起的异常情况仍显不足。因此，基于机器学习（ML）的异常行为检测系统（MDSs）已成为加密安全的重要补充。本调查全面回顾了适用于下一代CAV生态系统的基于ML的MDSs，并侧重于实际部署。与主要关注攻击或算法的现有研究不同，本文明确考虑了包括Sybil攻击、消息伪造和拒绝服务在内的故意行为，以及由传感器故障、协议偏差和环境干扰引起的非故意行为。我们提出了一种新的五维异常行为检测方法分类体系，涵盖了知识驱动、数据驱动、信任与声誉驱动、上下文感知和自适应方法，以及混合和融合型系统，这些方法根据证据信息的生成、验证和融合方式进行了分类。此外，该调查还提出了一个基于ML的MDSs的结构化分类框架，区分了监督学习、无监督学习和半监督学习以及强化学习等学习机制，以及联邦学习和迁移学习等部署与适应机制，充分考虑了CAV网络的非独立同分布（non-IID）数据特性、移动性和隐私要求。我们通过分析典型的V2X用例，将运营需求与合适的检测策略相结合，并重点讨论了零日检测、对抗性鲁棒性、实时操作和标准化等关键挑战。