CAV-AD：用于CAV网络中异常数据和恶意传感器检测的鲁棒框架
人工智能
2024-07-09 v1
摘要
联网自动驾驶车辆的采用已引起包括公共交通、地下采矿和农业在内的多个行业的广泛兴趣。然而，CAV对传感器读数的依赖使其容易受到重大威胁。操纵这些读数可能危及CAV网络安全，为恶意活动带来严重风险。尽管针对CAV网络提出了几种异常检测方法，但它们通常无法：i) 以高准确率或F1分数检测特定传感器中的多个异常，或 ii) 识别被攻击的特定传感器。为此，本文提出了一种针对CAV网络的新颖框架，称为CAV-AD，用于在多个异常数据中区分异常读数，同时识别恶意传感器。具体而言，CAV-AD包含两个主要组件：i) 一种新颖的CNN模型架构，称为优化全尺度CNN，它通过为输入时间序列数据生成所有可能的核大小来最优地选择时间尺度；ii) 一个放大块，用于增加异常读数的值，增强检测异常的灵敏度。不仅如此，CAV-AD将所提出的O-OS-CNN与卡尔曼滤波器集成，以即时识别恶意传感器。我们使用包含即时攻击和持续攻击的真实世界数据集对CAV-AD进行了广泛训练，评估了其在检测来自多个异常的入侵方面的性能，这构成了更具挑战性的场景。我们的结果表明，CAV-AD优于最先进的方法，实现了平均准确率98%和平均F1分数89%，同时准确识别了恶意传感器。
引用
@article{arxiv.2407.05461,
title = {CAV-AD: A Robust Framework for Detection of Anomalous Data and Malicious Sensors in CAV Networks},
author = {Md Sazedur Rahman and Mohamed Elmahallawy and Sanjay Madria and Samuel Frimpong},
journal= {arXiv preprint arXiv:2407.05461},
year = {2024}
}