基于机器学习的网联自动驾驶车辆网络安全异常检测
机器学习
2025-07-01 v1
摘要
网联自动驾驶车辆(CAVs)中的异常检测对于维护安全可靠的交通网络至关重要,因为 CAVs 容易受到传感器故障、网络攻击和意外环境干扰的影响。本研究通过模拟车辆行为、生成代表典型和非典型车辆交互的数据集,探索了一种异常检测方法。该数据集包含多辆网联自动驾驶车辆的位置、速度和加速度的时间序列数据。我们利用机器学习模型来有效识别异常驾驶模式。首先,我们应用了堆叠长短期记忆(LSTM)模型来捕捉时间依赖性和基于序列的异常。堆叠 LSTM 模型处理序列数据以学习标准驾驶行为。此外,我们部署了随机森林模型,通过提供基于集成学习的预测来支持异常检测,从而增强了模型的可解释性和性能。随机森林模型达到了 R2 为 0.9830、MAE 为 5.746、第 95 百分位异常阈值为 14.18,而堆叠 LSTM 模型达到了 R2 为 0.9998、MAE 为 82.425、第 95 百分位异常阈值为 265.63。这些结果表明,这些模型能够在自动驾驶场景中准确预测车辆轨迹并检测异常。
引用
@article{arxiv.2506.22984,
title = {Cybersecurity-Focused Anomaly Detection in Connected Autonomous Vehicles Using Machine Learning},
author = {Prathyush Kumar Reddy Lebaku and Lu Gao and Yunpeng Zhang and Zhixia Li and Yongxin Liu and Tanvir Arafin},
journal= {arXiv preprint arXiv:2506.22984},
year = {2025}
}