基于联邦学习的车联网虚假位置攻击检测研究_江荣旺_.pdf

754|信 息 安 全 研 究Journal of Information Security Research第 9 卷 第 8 期 2023 年 8 月Vol.9 No.8 Aug.2023DOI:10.12379/j.issn.2096-1057.2023.08.06 收稿日期:2 0 2 2-1 1-2 8 基金项目:海南省自然科学基金青年项目(6 2 0 QN 2 8 7,6 2 1 QN 0 9 0 1);国家重点研发计划项目(2 0 2 0 Y F B 0 5 0 5 7 0 0);海南省自然科学基金项目(6 1 9 M S 0 7 6);海南省自然科学基金高层次人才项目(6 2 1 R C 6 0 2);海南省大学生创新创业项目(S 2 0 2 0 1 3 8 9 2 1 0 2);三亚市高校及医疗机构专项科技计划项目(2 0 2 1 G X Y L 5 3)引用格式:江荣旺,魏爽,龙草芳,等.基于联邦学习的车联网虚假位置攻击检测研究J.信息安全研究,2 0 2 3,9(8):7 5 47 6 1基于联邦学习的车联网虚假位置攻击检测研究江荣旺 魏 爽 龙草芳 杨 明(三亚学院 海南三亚 5 7 2 0 2 2)(容淳铭院士工作站 海南三亚 5 7 2 0 2 2)(r o n g w a n g j i a n g s a n y a u.e d u.c n)R e s e a r c ho nM a l i c i o u sL o c a t i o nA t t a c kD e t e c t i o no fV A N E TB a s e do nF e d e r a t e dL e a r n i n gJ i a n gR o n g w a n g,W e iS h u a n g,L o n gC a o f a n g,a n dY a n gM i n g(S a n y aC o l l e g e,S a n y a,H a i n a n5 7 2 0 2 2)(A c a d e m i c i a nR o n gC h u n m i n gW o r k s t a t i o n,S a n y a,H a i n a n5 7 2 0 2 2)A b s t r a c t M a l i c i o u sb e h a v i o rd e t e c t i o n i sa n i m p o r t a n tp a r to f t h es e c u r i t yn e e d so f t h e I n t e r n e to fv e h i c l e s.I nt h eI n t e r n e to fv e h i c l e s,m a l i c i o u sv e h i c l e sc a na c h i e v em a l i c i o u sl o c a t i o na t t a c kb yf o r g i n gf a l s eb a s i cs e c u r i t y i n f o r m a t i o n(B S M)i n f o r m a t i o n.A tp r e s e n t,t h e t r a d i t i o n a l s o l u t i o nt ot h em a l i c i o u sl o c a t i o na t t a c ko nt h eI n t e r n e to fv e h i c l e si st od e t e c tt h e m a l i c i o u sb e h a v i o ro fv e h i c l e s t h r o u g hm a c h i n e l e a r n i n go rd e e p l e a r n i n g.T h e s em e t h o d s r e q u i r ed a t a c o l l e c t i n g,c a u s i n gp r i v a c yp r o b l e m s.I no r d e rt os o l v et h i sp r o b l e m s,t h i sp a p e rp r o p o s e dad e t e c t i o ns c h e m eo fm a l i c i o u s l o c a t i o na t t a c k so n t h e I n t e r n e t o f v e h i c l e sb a s e do nF e d e r a t e d l e a r n i n g.T h e s c h e m ed o e sn o tn e e dt oc o l l e c tu s e rd a t a,a n dt h ed e t e c t i o nm o d e lu s e s l o c a ld a t aa n ds i m u l a t e dd a t af o r l o c a lt r a i n i n g,w h i c h e n s u r e st h e p r i v a c y o fv e h i c l e u s e r s,r e d u c e s d a t at r a n s m i s s i o n a n d s a v e sb a n d w i d t h.T h em a l i c i o u s l o c a t i o na t t a c kd e t e c t i o nm o d e lb a s e do nF e d e r a t e d l e a r n i n gw a s t r a i n e da n dt e s t e du s i n gt h ep u b l i cV e R e M id a t as e t,a n dt h ep e r f o r m a n c eo ft h ed a t ac e n t r i cm a l i c i o u sl o c a t i o na t t a c k d e t e c t i o n s c h e m e w a s c o m p a r e d.T h r o u g h c o m p a r i s o n,t h e p e r f o r m a n c e o fm a l i c i o u s l o c a t i o na t t a c kd e t e c t i o nb a s e do nF e d e r a t e d l e a r n i n g i s s i m i l a r t o t h a to f t r a d i t i o n a l d a t ac e n t r i cm a l i c i o u sl o c a t i o na t t a c kd e t e c t i o ns c h e m e,b u tt h e m a l i c i o u sl o c a t i o na t t a c kd e t e c t i o ns c h e m eb a s e do nF e d e r a t e d l e a r n i n g i sb e t t e r i nd a t a t r a n s m i s s i o na n dp r i v a c yp r o t e c t i o n.K e yw o r d s VAN E T;f e d e r a t e d l e a r n i n g;m a l i c i o u s l o c a t i o na t t a c k;m i s b e h a v i o r;d e t e c t i o n摘 要 车联网恶意行为检测是车联网安全需要的重要组成部分.在车联网中,恶意车辆可以通过伪造虚假的位置信息实现虚假位置攻击.当前,针对车联网恶意位置攻击的解决办法是通过机器学习或深度学习的方式实现车辆恶意行为的检测.这种方式需要将数据进行收集,从而引发隐私问题.网址 http:/|755学 术 论 文Research Papers为解决上述问题,提出了一种基于联邦学习的车联网恶意位置攻击的检测方案.该方案不需要将用户数据进行收集,检测模型利用本地数据和模拟数据进行局部训练,这样即确保了车辆用户的隐私,同时减少了数据传输,节约了带宽.基于联邦学习的恶意位置攻击检测模型使用公开的V e R e M i数据集进行训练和测试,并比较了以数据为中心的虚假位置攻击检测方案的性能.通过比较,基于联邦学习的恶意位置攻击检测与传统的以数据为中心的恶意位置攻击检测方案性能相近,但基于联邦学习的恶意位置攻击检测方案在数据传输和隐私保护和检测时延方面却更优.关键词 车联网;联邦学习;虚假位置攻击;恶意行为;检测中图法分类号 T P 3 0 9.2 智能交通系统是建设智慧城市的重要组成部分.智能交通系统能够让车辆用户更好地掌握路况,安全行驶.智能交通系统包括改善道路安全、通过改善交通管理实现绿色驾驶、支持部分自主车辆以及交通信息服务等信息娱乐服务.车联网是智能交通系统的一部分.车联网系统旨在推行与交通管理有关的创新服务,因而车联网已经引起学术界和工业界的极大兴趣.然而,由于车联网网络的开放性等特性使得车联网网络容易受到网络内部和外部攻击.这些攻击可能导致车辆发生危险,造成交通事故.虽然使用加密认证技术可以避免外部攻击,但该方法却很难规避内部攻击.而使用恶意行为检测系统作为车联网加密认证方案的补充,能够有效解决内部攻击,对车联网系统安全起到至关重要的作用.在车联网内部攻击中,位置攻击是恶意行为检测的主要研究对象.车联网的位置攻击主要分为位置隐私攻击和虚假位置攻击:位置隐私攻击是指攻击者通过对车辆的位置信息进行分析,直接或间接得到车辆用户其他隐私的恶意行为;虚假位置攻击是指车辆用户为了获得有利条件而伪造位置信息的恶意行为.由于虚假位置攻击会引起交通阻塞,影响车联网系统信誉,严重的会引起交通事故,造成生命财产损失,对车联网系统造成严重的破坏,因此确保车联网不受虚假位置攻击已成为车联网安全的基本要求.随着机器学习技术的发展,越来越多的科研人员将机器学习技术应用于车联网虚假位置攻击检测中1-4.传统的检测虚假位置攻击的是使用机器学习方法,而机器学习的方法常用的是支持向量机和深度神经网络.文献2 提出了一种车联网虚假位置攻击检测的上下文感知安全框架,该框架使用支持向量机(S VM)算法自动确定恶意节点和正常节点之间的边界;文献3 提出了一种基于深度神经网络(D NN)的虚假位置攻击检测框架.在此框架中,D NN架构部署在路侧单元上,路侧单元接收广播车辆数据并运行异常检测任务,以将特定消息序列分类为异常或真实.虽然这些方法都能较好地检测虚假位置攻击,但是这些方案需要将大量的数据集中到云平台中进行处理,这大大增加了计算复杂度和传输开销,同时也增加了检测时延.针对上述问题,本文提出了一种基于联邦学习的虚假位置攻击检测方案.通过分析前人研究成果,发现当前虚假位置攻击检测存在数据传输开销大、检测时延长等不足,签于此,本文提出了一种基于联邦学习的虚假位置攻击的恶意行为检测方案.该方案的主要贡献有以下2点:1)创新性地将联邦学习应用于车联网虚假位置攻击检测中,减少了数据传输开销,降低了检测时延,同时提高了车辆用户数据的隐私;2)为车联网恶意行为检测提供了新的研究方向.传统的车联网恶意行为检测主要集中在以数据为中心的检测中,很少将研究重点放到车联网的边缘端.1 相关工作当前,许多科研人员对于车联网中恶意行为检