基于雾计算的车载自组织网络中基于深度学习的多类不当行为分类

《Scientific Reports》：Deep learning-based multi-class misbehavior classification in fog-enabled vehicular ad hoc networks

　　

交通碰撞与拥堵是智能交通系统(ITS)面临的重大挑战，因此建立了车载自组织网络(VANET)。VANET中引入了多种架构以管理车辆产生的海量数据，其中与雾计算(Fog Computing)的协作尤为关键，特别是对需要实时处理的应用。同时，对先进入侵检测(IDS)方法的需求日益增长，这些技术用于根据车辆数据确定雾服务器应提供的最优响应。随着网络规模扩大，待分析数据量激增，深度学习方法因能减少特征选择需求而愈发高效。研究人员提出两种基于深度学习的多类不当行为分类方案用于VANET入侵检测：长短期记忆网络(LSTM)与卷积神经网络(CNN)。路侧单元(RSU)获取的车载数据先发送至雾服务器进行预处理与分类。研究提出四种分类模型（含4层LSTM、2CNN-2LSTM、3CNN-1LSTM、2CNN-1LSTM），分布于两个主分类器中：第一个对每类车辆精细分类，第二个对通用行为类别（正常/故障/恶意）分类。第一类分类器精度94%–98%、召回率92%–97%、F1值94%–97%，优于现有工作；第二类分类器精度、召回率、F1值达99%–99.66%，亦为最优。各模型的时间与空间复杂度均被计算。

研究背景与动机：智能交通系统(ITS)中，交通碰撞与拥堵问题突出，车载自组织网络(VANET)作为移动自组织网络(MANET)子集被引入以实现V2X通信。单车每小时产生约20 GB数据，美国车辆总数超2.5亿，云计端到端延迟高难以满足时延敏感任务，雾计算(Fog Computing)作为云扩展被提出，在边缘提供低延迟处理。VANET无线通信用车载单元(OBU)与路侧单元(RSU)间存在拒绝服务(DoS)、重放、Sybil等攻击，传统机器学习需手动特征提取且难应对数据速率与攻击多样性，深度学习可自动提取特征但车载资源受限，故将深度学习分类器部署于雾服务器成为合理路径。现有文献多评估单一架构、聚焦单类攻击、未区分非恶意故障与恶意攻击、且缺特征完整性与复杂度分析。该研究发表于《Scientific Reports》，旨在以VeReMi Extension数据集为基础，在雾辅助场景下系统比较多种深度学习架构的多类不当行为分类性能，并区分故障(Fault)与攻击(Attack)。

主要关键技术方法：研究人员采用公开VeReMi Extension数据集（24小时仿真，含Ground Truth文件与逐车日志，覆盖1正常、9故障、10攻击共20类），以全特征（发送时间、伪ID、X/Y位置及噪声、X/Y速度及噪声、加速度、航向及噪声）构建序列长度10的时间窗，按车辆级划分训练集75%与测试集25%以防泄露，MinMax归一化。深度学习侧在Keras-TensorFlow下实现4种架构（4 LSTM；2CNN-2LSTM；3CNN-1LSTM；2CNN-1LSTM），损失函数为categorical_crossentropy，优化器Adam（学习率0.0003，部分混合架构用Adamax），Softmax输出，Dropout 0.3，50轮批次100；计算FLOPs与每轮训练/每条序列推理时间以评估时空复杂度；设两个分类器——细粒度20类与粗粒度3类（Normal/Faulty/Malicious），并在后者做特征消融（4种场景）。

研究结果（保留小标题结构）：

网络模型：车辆经RSU将时序消息送雾服务器，云负责训练、雾负责推理，适应雨雾雪等环境扰动，雾节点做过滤聚合后送分类器。

数据预处理：从Ground Truth与日志对齐标签，全特征保留，序列长选10以平衡少数类覆盖与计算成本，生成逐车时序字典。

不当行为类选择：明确将19个异常分为故障类（位置恒偏/随机偏、速度恒偏/随机偏等非恶意）与攻击类（DoS、Sybil、数据重放、扰乱型重放、最终停止攻击等恶意），表3–4给出分布与差异。

深度学习分类器：CNN提取空间局部模式，LSTM捕获长程时序依赖，混合架构结合两者；第一类分类器输出20类，第二类输出3类。

训练与测试：统一超参、车辆级切分、5次独立运行报均值与标准差及95%置信区间。

第一类分类器结果：4 LSTM（单元256-128-64-32）、2CNN-2LSTM（Conv1D 512/256 + LSTM 128/128，Adamax）、3CNN-1LSTM（Conv1D 512/256/128 + LSTM 64，Adamax）、2CNN-1LSTM（Conv1D 256/256 + LSTM 128）。宏平均指标中2CNN-2LSTM最优（Precision 0.98、Recall 0.97、F1 0.97，SD±0.0002，95%CI[0.9793,0.9796]）；4 LSTM F1≈0.948但训练最慢；3CNN-1LSTM F1≈0.92且方差大；2CNN-1LSTM居中（F1≈0.951）。Class 17因序列极少而各项指标最低，相似攻击类间有混淆。计算量上4 LSTM的FLOPs、训练/测试耗时、空间复杂度最高，2CNN-2LSTM虽较重但泛化优。

第二类分类器结果：同架构跑3类任务，精度/召回/F1均达99%–99.66%，2CNN-2LSTM仍居前；消融显示仅用最少特征F1跌至0.45，加位速时空动态升至0.95，全特征稳于0.98，证明模型学的是真实移动结构而非初始化偶然。

讨论与结论翻译：研究人员指出，现有深度学习IDS有四缺——单架构难比权衡、单攻击类局限、不区分故障/攻击、缺全特征与复杂度分析；本工作以两互补分类器（20类细粒度与3类粗粒度）、4架构同条件比较、全特征、含Fault/Malicious区分、附FLOPs与执行时间，填补上述空白。2CNN-2LSTM因CNN捕空间突变（急变速/偏航）、LSTM分层捕短长时行为，加Adamax对稀疏噪声稳敛，居首但最重；4 LSTM纯时序最深却最慢；平衡2CNN+2LSTM为雾辅助VANET最优稳衡点。结论上，该框架可早检事故趋势、助自适应交通管理；细粒度分类器Precision 94%–98%/Recall 92%–97%/F1 94%–97%，粗粒度达99%–99.66%，各模型时空复杂度给出，证实在雾层实时多类不当行为分类可行且优于既往单架构单攻击工作。