《Blockchain: Research and Applications》：Robust SDN-assisted vehicle network intrusion detection model with stealthy beacon identification based on blockchain-enabled DFTLaLURDA2RN
编辑推荐：
为了确保交通效率和网络安全，在软件定义网络（SDN）使能的车载自组网（VANET）环境中，准确的入侵检测系统（IDS）至关重要。然而，传统方法未能识别VANET环境中隐蔽信标（SB）的存在，从而降低了系统的可靠性。因此，研究人员提出了一种基于区块链（BC）使能
为了确保交通效率和网络安全，在软件定义网络（SDN）使能的车载自组网（VANET）环境中，准确的入侵检测系统（IDS）至关重要。然而，传统方法未能识别VANET环境中隐蔽信标（SB）的存在，从而降低了系统的可靠性。因此，研究人员提出了一种基于区块链（BC）使能的深度联邦迁移折叠线性单元R-drop alpha正则化递归神经网络（DFTLaLURDA2RN）的增强型SDN驱动的车辆IDS，用于SB识别。最初，车辆在数据平面注册，随后生成应用程序编程接口（API）密钥并创建数字签名（DSC）。之后，传感数据在缓解冲突的同时进行传输。数字签名验证（DSV）在南向API中完成。一旦验证成功，数据通过交换机馈入控制平面。控制消息在控制平面中得到保护。此外，DSV在北向API中完成。通过利用模糊双峰三角隶属度推理系统（FBTMIS），在应用平面识别SB的存在。如果存在SB，则终止传输的数据；否则，利用训练好的本地IDS模型将数据分类为良性或恶性。此外，为了追踪攻击者的行为，使用陷阱门。随后，检测到的事件存储在BC中，并进一步广播给车辆。类似地，通过路由器和防火墙，结果在服务器上的全局模型（GM）中更新。因此，所提出的方法具有高可靠性，准确率达到99.9742%。
随着物联网（IoT）与智能交通系统（ITS）的深度融合，车载自组网（VANET）在提升交通效率和道路安全方面发挥着日益重要的作用。软件定义网络（SDN）通过解耦控制平面和数据平面，为VANET提供了集中化、动态的网络管理能力，显著增强了服务质量与安全性。然而，由于开放通信媒介、节点移动性以及安全措施不足，VANET极易遭受多种网络攻击，导致系统性能崩溃。因此，构建准确的入侵检测系统（IDS）以识别异常网络行为、增强网络安全性，成为VANET环境中的关键需求。传统基于机器学习（ML）和深度学习（DL）的IDS虽然取得了一定成效，但仍面临大量数据泄漏、对隐蔽信标（SB）检测不足、安全警报传播延迟、SDN控制器单点故障、隐藏终端导致的数据包丢失、南北向API认证不足以及攻击者行为追踪缺失等问题。针对上述挑战，研究人员在《Blockchain: Research and Applications》期刊上提出了一种基于区块链（BC）使能的深度联邦迁移折叠线性单元R-drop alpha正则化递归神经网络（DFTLaLURDA2RN）的鲁棒SDN辅助车辆网络入侵检测模型，并实现了隐蔽信标的有效识别。
该研究设计了一个包含数据平面、南向API、控制平面、北向API和应用平面的五层安全架构。车辆首先在数据平面完成注册，并生成应用程序编程接口（API）密钥，随后利用所提出的数字蛋篓签名算法（DECSA）创建数字签名，以确保通信实体身份的真实性。在数据感知与传输阶段，研究人员引入了基于HGBat函数的载波侦听多路访问/冲突避免（HGB-CSMA/CA）协议，通过优化退避时间选择有效缓解隐藏终端问题，降低数据碰撞概率。车辆感知数据经数字签名验证（DSV）后，通过南向API进入控制平面；控制平面中的控制消息采用椭圆Picard曲线密码学（EPCC）加密，以防止恶意配置和单点故障风险。应用平面中，研究团队设计了模糊双峰三角隶属度推理系统（FBTMIS），利用数据包间隔（IPI）和负载大小方差两个特征识别隐蔽信标的存在。若检测到SB，则终止相应数据包；否则，将正常数据输入本地训练的IDS模型进行分类。该分类模型基于DFTLaLURDA2RN，融合了折叠线性单元（LaLU）激活函数、R-drop alpha正则化、联邦学习（FL）和迁移学习（TL），有效缓解了梯度消失和过拟合问题。同时，网络中部署陷阱门以追踪攻击者行为，并将检测事件存储于区块链，采用委托权益证明（DPoS）共识机制降低传输延迟，最终通过路由器和防火墙将全局模型（GM）更新至服务器。
在关键方法方面，研究人员使用公共TON-IoT数据集进行验证，该数据集包含正常和异常网络流量各30万条，共60万条数据，并按8:2划分为训练集与测试集。主要技术方法包括：基于DECSA的签名认证机制，用于南北向API的访问控制；HGB-CSMA/CA协议用于无线传输中的碰撞避免；EPCC加密算法保护SDN控制器控制平面；FBTMIS模糊推理系统通过IPI和负载方差识别隐蔽信标；DFTLaLURDA2RN深度模型结合LaLU激活、R-drop正则化、联邦学习与迁移学习实现高精度入侵分类；区块链DPoS共识机制确保检测日志防篡改和高效广播。
研究结果部分，各子模块性能评估如下：
4.2 隐蔽信标识别性能评估：通过对比FBTMIS与传统模糊推理系统（FIS）、Sigmoid模糊、梯形模糊和三角模糊方法，所提FBTMIS在模糊化时间（573 ms）、去模糊化时间（575 ms）和规则生成时间（345 ms）上均显著低于现有方法，证明了其在SB识别中的高效性和低时间复杂度。
4.3 入侵分类数值分析：在TON-IoT数据集上，DFTLaLURDA2RN获得99.9742%的准确率、98.9942%的精确率、98.9842%的召回率、98.9974%的F-measure、98.9842%的敏感性和98.9963%的特异性。与深度RNN、长短期记忆网络（LSTM）、门控循环单元（GRU）和卷积神经网络（CNN）相比，所提模型在Cohen's kappa（0.984）、训练时间（67,342 ms）、假阴性率（0.0532）和假阳性率（0.0745）上均具有明显优势。k折交叉验证中，所提模型损失值在500轮训练后低于0.1，且置信区间（CI）评估覆盖了所达到的准确率，验证了模型的稳健性。
4.4 数字签名创建实验评估：DECSA的数字签名创建时间为1123 ms，数字签名验证时间为1130 ms，均短于DSA、椭圆曲线DSA、EdDSA和RSA算法，表明基于蛋篓公式（ECF）的签名机制在保证安全性的同时提升了时间效率。
4.5 控制平面保护性能验证：EPCC加密算法在保护SDN控制器控制消息时，加密时间为894 ms，解密时间为901 ms，安全级别高达98.993%，优于高级加密标准（AES）、椭圆曲线密码学（ECC）、数据加密标准（DES）和ElGamal算法，有效防止了单点故障和恶意配置风险。
4.6 所提方法的对比分析：与现有研究中的直方图离群分数（HBOS）、自编码器结合模糊C均值（FCM）、基于规则的IDS、集成ML/DL分类器以及多层ML分类器相比，所提DFTLaLURDA2RN取得了最高的准确率（99.9742%）、精确率（99.9942%）和召回率（99.9842%），充分展现了其在VANET入侵检测中的优越性能。
总结讨论部分表明，所提出的SDN使能车辆网络IDS系统性地解决了传统方法在隐蔽信标识别、安全警报快速传播、控制平面保护、碰撞避免、API认证和攻击者行为追踪方面的不足。通过FBTMIS实时识别SB，利用DECSA保障接口认证，借助EPCC强化控制平面安全，并采用DPoS降低区块链传输延迟，系统整体可靠性和安全性得到显著提升。研究结论明确指出，该模型在车辆网络入侵检测中表现出卓越性能，准确率和安全性均优于现有方法。尽管当前工作依赖于SB识别和延迟避免，但未来研究将聚焦于利用可解释集成方案检测虫洞攻击、女巫攻击和黑洞攻击等多种入侵活动，进一步完善VANET安全防御体系。
