基于輕量級密集神經網絡的車載自組網入侵檢測方法
2022年電子技術應用第7期
黃學臻1，翟 翟2，周 琳2，祝雅茹2
1.公安部第一研究所，北京100044；2.北京交通大學 智能交通數據安全與隱私保護技術北京市重點實驗室，北京100044
摘要： 在車載自組網中，攻擊者可以通過偽造、篡改消息等方式發布虛假交通信息，導致交通擁堵甚至是嚴重的交通事故，而傳統的入侵檢測方法不能滿足車載自組網的應用需求。為了解決現階段車載網中入侵檢測方法性能低且存儲與時間成本高的問題，提出了一種基于密集神經網絡的入侵檢測方法L-DenseNet(Light Dense Neural Network)，通過降低模型復雜性，提升算法訓練速度和部署適應性，使其更適用于車載自組網中的入侵檢測。在VeReMi數據集上進行對比實驗，結果表明，該方法在識別各類攻擊的精確率和召回率的綜合表現最好，且具有較少的時間成本和存儲開銷。
中圖分類號： TN915.08
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222843
中文引用格式： 黃學臻，翟翟，周琳，等. 基于輕量級密集神經網絡的車載自組網入侵檢測方法[J].電子技術應用，2022，48(7)：67-73.
英文引用格式： Huang Xuezhen，Zhai Di，Zhou Lin，et al. Intrusion detection method for VANET based on light dense neural network[J]. Application of Electronic Technique，2022，48(7)：67-73.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222843
中文引用格式： 黃學臻，翟翟，周琳，等. 基于輕量級密集神經網絡的車載自組網入侵檢測方法[J].電子技術應用，2022，48(7)：67-73.
英文引用格式： Huang Xuezhen，Zhai Di，Zhou Lin，et al. Intrusion detection method for VANET based on light dense neural network[J]. Application of Electronic Technique，2022，48(7)：67-73.
Intrusion detection method for VANET based on light dense neural network
Huang Xuezhen1，Zhai Di2，Zhou Lin2，Zhu Yaru2
1.The First Research Institution of Ministry of Public Security of PRC，Beijing 100044，China； 2.Security and Privacy in Intelligent Transportation，Beijing Jiaotong University，Beijing 100044，China
Abstract： In the vehicular ad-hoc network, attackers can publish false traffic information by forging or tampering with messages, etc., resulting in traffic congestion or even serious traffic accidents. However, traditional intrusion detection methods cannot meet the application requirements of vehicular ad-hoc network. In order to solve the problems such as low performance, instability and high storage and time cost of intrusion detection methods in the current vehicular ad-hoc network, this paper proposes an intrusion detection method L-DenseNet(Light Dense Neural Network) based on dense neural network. The L-DenseNet is proposed to reduce the complexity of the model and improve the training speed and deployment adaptability of the detection algorithm. The proposed method is more suitable for intrusion detection in vehicle ad hoc networks. This paper conducts comparative experiments on the VeReMi dataset. The results show that the method proposed has the best overall performance in identifying various types of attacks in terms of precision and recall. As the same time, this method has less time cost and storage overhead.
Key words : vehicular ad-hoc network；dense neural network；intrusion detection；deep learning
0 引言
隨著當前車輛激增，交通擁堵及交通事故等嚴重影響了社會生活，為了滿足人們對于提升出行質量的需求，車載自組網(Vehicular Ad-Hoc Network，VANET)，簡稱車載網，逐漸成為實現智能交通系統的基礎之一。雖然VANET能夠為人們的出行質量提供有力保障，但是大量的車輛數據通過無線通信共享，任何交換惡意信息的節點都會損害網絡安全性，因此，VANET的安全性成為了車聯網領域的重點研究目標。
為了提高VANET安全性，避免入侵行為產生的危害，首先需要明確其面臨的安全問題。VANET中入侵行為主要源自于自私的駕駛者和惡意的攻擊者，自私的駕駛者主要是為了私利而獨享道路、節約自身資源等；惡意的攻擊者使車輛無意或有意地在網絡中傳輸不正確的信息(例如錯誤的位置或速度坐標)，影響車載網的正常工作，威脅駕乘者的生命財產安全[1]。然而，面對日益復雜的車載網絡環境，傳統的入侵檢測方法呈現出相當多的問題。其中最主要的問題是：大數據背景下傳統入侵檢測方法性能低下，存儲與時間成本高，準確性不高。
本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000004589。
作者信息：
黃學臻1，翟 翟2，周 琳2，祝雅茹2
(1.公安部第一研究所，北京100044；2.北京交通大學 智能交通數據安全與隱私保護技術北京市重點實驗室，北京100044)
此內容為AET網站原創，未經授權禁止轉載。