ADVENT：车载自组织网络中的攻击/异常检测
密码学与安全
2024-01-17 v1 机器学习
摘要
在车载自组织网络（VANETs）领域，迫切需要一种能够实时检测攻击并揭示攻击者的实际恶意检测器。我们的研究引入了一个以此为目标系统。该系统专为实时检测恶意行为而设计，解决了首先识别攻击开始，然后识别责任行为体的关键需求。先前的工作从未同时解决这两个需求，而我们认为这两个需求对于实际部署是必要的。通过无缝集成统计和机器学习技术，所提出的系统优先考虑简单性和效率。它在快速检测攻击开始方面表现出色，F1分数高达99.66%，随后识别恶意车辆的平均F1分数约为97.85%。在两个阶段中融入联邦学习增强了隐私性，提高了恶意节点检测的效率，有效降低了假阴性率。
引用
@article{arxiv.2401.08564,
title = {ADVENT: Attack/Anomaly Detection in VANETs},
author = {Hamideh Baharlouei and Adetokunbo Makanju and Nur Zincir-Heywood},
journal= {arXiv preprint arXiv:2401.08564},
year = {2024}
}