基于神经网络的异常检测系统及保护车联网的安全协议

本论文探讨利用协同智能交通系统（CITS）通过车对车通信提升道路安全与效率，强调安全且准确的数据交换的重要性。为确保安全，论文提出一种基于机器学习的异常行为检测系统（MDS），采用长短期记忆（LSTM）网络来检测和缓解车联网中的错误或误导性消息。该检测模型在VeReMi数据集上进行离线训练，并在编队行驶场景中进行实时测试，结果表明该系统可通过触发防御协议（在检测到异常时解散编队）来防止几乎所有由异常行为引发的事故。结果表明，虽然该系统能够准确检测一般性异常行为，但由于交通状况的差异，在标注具体异常类型方面存在困难，这意味着难以创建一种普遍适用的协议。然而，论文指出，随着更多数据和进一步优化，该MDS有望在现实CITS中部署，通过缓解协作驾驶网络中的异常行为风险来提升驾驶安全。