基于轻量级密集神经网络的车载自组网入侵检测方法
2022年电子技术应用第7期
黄学臻1，翟 翟2，周 琳2，祝雅茹2
1.公安部第一研究所，北京100044；2.北京交通大学 智能交通数据安全与隐私保护技术北京市重点实验室，北京100044
摘要： 在车载自组网中，攻击者可以通过伪造、篡改消息等方式发布虚假交通信息，导致交通拥堵甚至是严重的交通事故，而传统的入侵检测方法不能满足车载自组网的应用需求。为了解决现阶段车载网中入侵检测方法性能低且存储与时间成本高的问题，提出了一种基于密集神经网络的入侵检测方法L-DenseNet(Light Dense Neural Network)，通过降低模型复杂性，提升算法训练速度和部署适应性，使其更适用于车载自组网中的入侵检测。在VeReMi数据集上进行对比实验，结果表明，该方法在识别各类攻击的精确率和召回率的综合表现最好，且具有较少的时间成本和存储开销。
中图分类号： TN915.08
文献标识码： A
DOI：10.16157/j.issn.0258-7998.222843
中文引用格式： 黄学臻，翟翟，周琳，等. 基于轻量级密集神经网络的车载自组网入侵检测方法[J].电子技术应用，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.
文献标识码： A
DOI：10.16157/j.issn.0258-7998.222843
中文引用格式： 黄学臻，翟翟，周琳，等. 基于轻量级密集神经网络的车载自组网入侵检测方法[J].电子技术应用，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
随着当前车辆激增，交通拥堵及交通事故等严重影响了社会生活，为了满足人们对于提升出行质量的需求，车载自组网(Vehicular Ad-Hoc Network，VANET)，简称车载网，逐渐成为实现智能交通系统的基础之一。虽然VANET能够为人们的出行质量提供有力保障，但是大量的车辆数据通过无线通信共享，任何交换恶意信息的节点都会损害网络安全性，因此，VANET的安全性成为了车联网领域的重点研究目标。
为了提高VANET安全性，避免入侵行为产生的危害，首先需要明确其面临的安全问题。VANET中入侵行为主要源自于自私的驾驶者和恶意的攻击者，自私的驾驶者主要是为了私利而独享道路、节约自身资源等；恶意的攻击者使车辆无意或有意地在网络中传输不正确的信息(例如错误的位置或速度坐标)，影响车载网的正常工作，威胁驾乘者的生命财产安全[1]。然而，面对日益复杂的车载网络环境，传统的入侵检测方法呈现出相当多的问题。其中最主要的问题是：大数据背景下传统入侵检测方法性能低下，存储与时间成本高，准确性不高。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004589。
作者信息：
黄学臻1，翟 翟2，周 琳2，祝雅茹2
(1.公安部第一研究所，北京100044；2.北京交通大学 智能交通数据安全与隐私保护技术北京市重点实验室，北京100044)
此内容为AET网站原创，未经授权禁止转载。