面向软件定义车辆自组织网络的可解释集成入侵检测系统
密码学与安全
2024-10-14 v5
摘要
入侵检测系统（IDS）被广泛用于检测和缓解外部网络安全事件。车辆自组织网络（VANETs）持续演进，尤其是随着与联网自动驾驶车辆（CAVs）相关的发展。在本研究中，我们探索通过基于集成的机器学习来检测车辆网络中的网络威胁，以增强学习模型相较于依赖单一模型的性能。我们提出一个模型，使用随机森林（Random Forest）和CatBoost作为主要分析器，然后利用逻辑回归（Logistic Regression）对其输出进行推理以做出最终决策。为进一步辅助分析，我们使用SHAP（SHapley Additive exPlanations）分析来检查特征对最终决策阶段的重要性。我们使用车辆参考异常行为（VeReMi）数据集进行实验，观察到与先前工作相比，我们的方法提高了分类准确率，并减少了误分类。总体而言，这种结合模型间协作与可解释视角（解释它们为何如此行动）的分层决策方法，有助于为智能交通网络实现更可靠且易于理解的网络安全解决方案。
引用
@article{arxiv.2312.04956,
title = {An Explainable Ensemble-based Intrusion Detection System for Software-Defined Vehicle Ad-hoc Networks},
author = {Shakil Ibne Ahsan and Phil Legg and S M Iftekharul Alam},
journal= {arXiv preprint arXiv:2312.04956},
year = {2024}
}