面向车联网实时 DDoS 攻击检测的深度多模态学习
信号处理
2025-01-28 v1
摘要
智能交通系统（ITS）的不断进步与集成，使得交通网络更加安全高效。车联网（IoV）有望提升道路安全性并为旅客提供舒适体验。然而，该技术暴露于多种安全漏洞，恶意行为者可加以利用。车联网最严重的威胁之一是分布式拒绝服务（DDoS）攻击，可能扰乱交通流量、中断车辆间通信，甚至引发交通事故。本文提出一种新颖的深度多模态学习（DML）方法，用于检测车联网中的 DDoS 攻击，聚焦于智能交通系统中的关键网络安全议题。我们的 DML 模型集成了长短期记忆网络（LSTM）和门控循环单元（GRU），并通过注意力机制与门控机制增强，同时融合多层感知器（MLP）构成多模态中间融合架构。该创新方法有效识别并实时遏制 DDoS 攻击，借助误行为检测框架（F2MD）生成合成数据集，从而克服现有车辆参考误行为（VeReMi）扩展数据集的局限。该方法在不同模拟真实场景下以 10%、30% 和 50% 攻击者密度进行实时评估。实验结果表明，所提 DML 模型平均达到 96.63% 的检测准确率，显著优于传统机器学习方法及现有领先技术，展现出在保护车联网免受恶意网络攻击方面的显著效能与可靠性。
引用
@article{arxiv.2501.15252,
title = {Deep Multimodal Learning for Real-Time DDoS Attacks Detection in Internet of Vehicles},
author = {Mohamed Ababsa and Soheyb Ribouh and Abdelhamid Malki and Lyes Khoukhi},
journal= {arXiv preprint arXiv:2501.15252},
year = {2025}
}