AttentionGuard：基于Transformer的车队误行为检测
密码学与安全
2025-07-09 v1 人工智能
网络与互联网体系结构
摘要
车队化行驶可通过车联网（V2X）通信进行紧密编队协调，显著提升燃油效率和道路利用率。然而，由于经认证的内部犯内伪造攻击可能使编队失稳并引发灾难性碰撞，该模式面临高级伪造攻击的威胁。本文针对车队化系统中的误行为检测问题提出解决方案，构建AttentionGuard框架，基于Transformer架构实现误行为检测，利用自注意力机制识别 Mobility 数据中的异常模式。该方案采用多头Transformer编码器处理序列运动学信息，有效区分正常运动模式与伪造攻击，适用于包括稳态运行、加入及退出等各种编队场景。我们的评估基于包含多种攻击向量（恒定型、渐进型及组合型伪造）及运行参数（控制器类型、车辆速度及攻击者位置）的大型仿真数据集。实验结果表明，AttentionGuard 在攻击检测任务中可达最高0.95的F1分数，复杂机动场景下仍保持稳健性能。值得注意的是，该系统仅需100ms决策间隔，即可实现低延迟，适用于实时交通安全应用。比较分析表明，AttentionGuard 在检测能力方面优于其他方法，确立了Transformer编码器作为保护Cooperative智能运输系统（C-ITS）免受高级内部威胁的有前景的方法。
引用
@article{arxiv.2505.10273,
title = {AttentionGuard: Transformer-based Misbehavior Detection for Secure Vehicular Platoons},
author = {Hexu Li and Konstantinos Kalogiannis and Ahmed Mohamed Hussain and Panos Papadimitratos},
journal= {arXiv preprint arXiv:2505.10273},
year = {2025}
}
备注
Author's version; Accepted for presentation at the ACM Workshop on Wireless Security and Machine Learning (WiseML 2025)