MistralBSM：基于 Mistral-7B 的车联网恶意行为检测
机器学习
2025-11-04 v2 密码学与安全
摘要
针对车联网的恶意攻击构成对道路安全和通信可靠性的严重威胁。本文提出一种基于大语言模型（LLM）的恶意行为检测系统（MDS），构建边缘-云端检测框架。具体而言，我们微调了一款紧凑且性能卓越的大语言模型 Mistral-7B，基于基本安全消息（BSM）序列进行恶意行为检测，作为实时检测的边缘组件；而部署在云端的更大规模 LLM 则通过更全面的分析对边缘模型的检测结果进行验证和强化。通过仅更新模型参数的 0.012%，我们命名为 MistralBSM 的模型在 VeReMi 数据集选取的若干攻击样本上，二分类准确率达到 98%，多分类准确率达到 96%，超越 LLAMA2-7B 和 RoBERTa。我们的结果验证了 LLM 在 MDS中的潜力，显示出在更好确保道路用户安全方面强化车联网安全性的巨大前景。
引用
@article{arxiv.2407.18462,
title = {MistralBSM: Leveraging Mistral-7B for Vehicular Networks Misbehavior Detection},
author = {Wissal Hamhoum and Soumaya Cherkaoui},
journal= {arXiv preprint arXiv:2407.18462},
year = {2025}
}