基于统计与人工智能的网联车虚假信息网络攻击检测模型效能研究

网联车（CVs）由于与其他网联车及网联基础设施的外部连接，容易受到网络攻击，这些攻击可能瞬间危及车辆自身及其他网联车辆和道路基础设施的安全。虚假信息攻击就是这样一种网络攻击，外部攻击者向网联车注入不准确信息，并可能通过危及前向碰撞预警等安全关键应用，最终导致灾难性后果。此类攻击事件的发生和目标可能非常动态，使得实时和近实时检测极具挑战性。变点模型可用于检测由虚假信息攻击引起的实时异常。在本文中，我们评估了三种基于变点的统计模型：期望最大化、累积求和以及贝叶斯在线变点算法，用于 CV 数据中的网络攻击检测。此外，数据驱动的人工智能（AI）模型可用于检测数据集中已知和未知的潜在模式，具有检测 CV 数据中实时异常的潜力。我们使用了六种 AI 模型来检测虚假信息攻击，并将其检测攻击的性能与我们开发的变点模型进行了比较。我们的研究表明，与 AI 模型的性能相比，变点模型在实时虚假信息攻击检测中表现更优。变点模型具有无需训练的优势，可以作为 AI 模型在网联车虚假信息攻击检测中一种可行且计算高效的替代方案。