基于联邦学习的抗网络攻击车辆轨迹预测
密码学与安全
2023-11-03 v1 机器学习
系统与控制
系统与控制
摘要
随着车联网（IoV）的发展，车辆无线通信带来了严重的网络安全挑战。故障信息（如周围车辆发送的虚假车辆位置与速度）可能导致车辆碰撞、交通拥堵甚至人员伤亡。此外，私有车辆数据泄露（如车辆轨迹与用户账户信息）可能损害用户财产与安全。因此，在充满故障数据的IoV系统中实现网络攻击防御方案十分必要。本文提出一种基于联邦学习的抗网络攻击车辆轨迹预测算法（FL-TP）以解决上述问题。FL-TP使用公开可用的车辆参考不当行为（VeReMi）数据集进行充分训练与测试，该数据集包含五类网络攻击：恒定、恒定偏移、随机、随机偏移与最终停止。结果表明，在最大网络攻击渗透场景下，与基准方法相比，所提FL-TP算法可将网络攻击检测与轨迹预测分别提升至多6.99%与54.86%。
引用
@article{arxiv.2306.08566,
title = {Federated Learning-based Vehicle Trajectory Prediction against Cyberattacks},
author = {Zhe Wang and Tingkai Yan},
journal= {arXiv preprint arXiv:2306.08566},
year = {2023}
}