车联网环境下基于Stacking集成学习的车辆异常行为检测方法

doi:10.19562/j.chinasae.qcgc.2021.04.007

摘要/Abstract

摘要：

针对车联网中的车辆异常行为的威胁，本文中融合了多种机器学习方法，提出了一种新型的适用于车联网的车辆异常行为检测方法。首先，基于Veins车联网仿真平台，模拟了DoS、Sybil等多种网络攻击，搭建了真实路况环境下遭受网络攻击的车联网场景，构建了车联网异常检测数据集；其次，采用Stacking集成学习思想，融合K近邻、决策树、多层感知机、AdaBoost、随机森林5种初级分类器建立集成检测模型；最后，利用交叉验证思想，使用5种初级分类器对训练集进行训练，并将初级分类器在验证集上的预测结果作为次级分类器的输入，将次级分类器的输出作为最终的预测结果。结果表明，本文提出的方法在不同攻击密度场景下对不同网络攻击都具有良好的检测效果，与其他单一分类器相比具有更好的检测结果，验证了本方法的有效性。

关键词: 车联网, 异常行为检测, 网络攻击, Stacking集成学习

Abstract:

In view of the threat of abnormal vehicle behavior in V2X， a novel detection method of vehicle abnormal behavior suitable for V2X is proposed in this paper by fusing a variety of machine learning schemes. Firstly， based on Veins V2X simulation platform， various network attacks such as DoS， Sybil， etc. are simulated， the scenes of V2X subject to network attacks under real road conditions are constructed， and the detection data set of abnormal vehicle behavior is built. Then by adopting the idea of stacking ensemble learning and fusing five primary classifiers of K?nearest neighbors， decision tree， multilayer perceptron， AdaBoost， and random forest， an ensemble detection model is set up. Finally， by utilizing the idea of cross?validation， the data set for training is trained by five primary classifiers， with the results of prediction on the data set for validation by primary classifiers as the input of secondary classifier， and the output of secondary classifier as the result of final prediction. The results show that the method proposed has a good detection effect on different network attacks in different scenes of attack density， and a better detection performance than other single classifiers， verifying the effectiveness of the method proposed.

Key words: V2X, abnormal behavior detection, network attack, Stacking ensemble learning

薛宏伟,刘赢,庄伟超,殷国栋. 车联网环境下基于Stacking集成学习的车辆异常行为检测方法[J]. 汽车工程, 2021, 43(4): 501-508.

Hongwei Xue,Ying Liu,Weichao Zhuang,Guodong Yin. A Detection Method of Vehicular Abnormal Behaviors in V2X Environment Based on Stacking Ensemble Learning[J]. Automotive Engineering, 2021, 43(4): 501-508.

图/表 13

图 1

图 2

表 1

图 3

表1

训练过程的具体流程"

算法1：训练过程

输入：训练集数据 $X T r a i n$ ;

初级分类器 $B C i (i = 1,2, …, 5)$ ;

次级分类器 $M C$

输出： Stacking模型 $H$

1.?? $X T 1, X T 2, …, X T 5 ← X T r a i n$

2.??V=? //次级数据集初始化

3.??//初级分类器初始化

4.??for i = 1, 2, …, 5 do

5.?? init( $B C i$ )

6.??end for

7.??init( $M C$ ) //次级分类器初始化

8.??//初级分类器依次进行5折交叉验证

9.??for i = 1, 2, …, 5 do

10.?? //初级分类器 $B C i$ 进行5折交叉验证

11.?? for b = 1, 2, …, 5 do

12.?? $X T T b =$ ?

13.?? for c = 1, 2, …, 5 do

14.?? if b != c

15.?? $? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? X T T b = X T T ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? X T c ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?$

16.?? end if

17.?? end for

18.?? //用 $X T T b$ 训练 $B C i$

19.?? $B C i : T r a i n (X T T b$ )

20.?? //用训练后的初级分类器 $B C i$ 在验证集 $X T b$ 上预测得到 $V c v b$

21.?? $B C i : V a l i d a t i o n (X T T b) ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? → V c v b$

22.??end for

23.?? $V i = V c v 1 ? V c v 2 ? …, V c v 5$

24.??end for

25.?? $V = V 1 ? V 2 ? … ? V 5$

26.??//用 $V$ 训练 $M C$ ，得到最终模型 $H$

27.?? $M C : T r a i n (V) → H$

表1

表2

分类过程的具体流程"

算法2：分类过程

输入：测试集数据 $X T e s t$ ;

初级分类器 $B C i (i = 1,2, …, 5)$ ;

次级分类器 $M C$

输出：预测结果 $Y$

1.??//次级数据集初始化

2.?? $V =$ ?

3.??//用5个初级模型依次进行预测

4.??for i = 1, 2, …, 5 do

5.?? $B C i :$ $X T e s t → P i$

6.??end for

7.?? $P = P 1 ? P 2 ? … ? P 5$

8.??//次级分类器对次级数据集进行预测，得到最终的预测结果 $Y$

9.?? $M C : P r e d i c t (P) → Y$

表2

图 4

图 5

表3

表4

Stacking参数设置"

模型名称	参数	数值
K近邻	权重	uniform
K近邻	邻居数量	5
决策树	criterion	Gini
决策树	最大特征数量	$n$
随机森林	criterion	Gini
	最大特征数量	$n$
	估计器数量	10
多层感知机	隐藏层	（200，100）
	激活函数	Relu
	迭代次数	178
AdaBoost	基分类器	决策树
	提升次数	50
	学习率	1
Logistic回归	惩罚项	L2
	惩罚因子	1.0
	优化算法	liblinear

表4

表5

图 6

图 7

参考文献 19

1	InternationalSAE.On⁃board system requirements for V2V safety communications：SAE J2945/1 ［S］.Standard， 2016.
2	GALAVIZ⁃MOSQUEDA A， VILLARREAL⁃REYES S ， GALEANA⁃ZAPIEN H ， et al. Genetic tuning of fuzzy rule⁃based systems for multi⁃hop broadcast protocols for VANETs［J］. Telecommunication Systems， 2016， 63（3）：1-22.
3	TOMANDL A， FUCHS K P ， FEDERRATH H. REST⁃net： a dynamic rule⁃based IDS for VANETs［C］. Wireless & Mobile Networking Conference. IEEE， 2014.
4	AHMED S， TEPE K. Misbehaviour detection in vehicular networks using logistic trust［C］.2016 IEEE Wireless Communications and Networking Conference. IEEE， 2016： 1-6.
5	KIM G ， LEE S ， KIM S. A novel hybrid intrusion detection method integrating anomaly detection with misuse detection［J］. Expert Systems with Applications， 2014， 41（4pt.2）：1690-1700.
6	刘湘雯，石亚丽，冯霞. 基于弱分类器集成的车联网虚假交通信息检测［J］. 通信学报， 2016（8）：58-66.
	LIU X W， SHI Y L， FENG X. False traffic information detection based on weak classifiers integration in vehicular Ad⁃hoc network［J］.Journal on Communications，2016（8）：58-66.
7	HEIJDEN R W VAN DER， LUKASEDER T， KARGL F. VeReMi： a dataset for comparable evaluation of misbehavior detection in VANETs［C］. SecureComm2018. 2018.
8	GROVER J， PRAJAPATI N K， LAXMI V， et al. Machine learning approach for multiple misbehavior detection in VANET［C］. Advances in Computing and Communications， 2011： 644-653.
9	SO S， SHARMA P， PETIT J， et al. Integrating plausibility checks and machine learning for misbehavior detection in VANET［C］. International Conference on Machine Learning and Applications， 2018： 564-571.
10	GYAWALI S， QIAN Y. Misbehavior detection using machine learning in vehicular communication networks［C］. International Conference on Communications， 2019： 1-6.
11	KAMEL J， WOLF M， HEIJDEN R W VAN DER， et al. VeReMi extension： a dataset for comparable evaluation of misbehavior detection in VANETs［C］. 2020 IEEE International Conference on Communications （ICC）. IEEE， 2020.
12	KAMEL J， KAISER A， JEMAA I B， et al. Feasibility study of misbehavior detection mechanisms in cooperative intelligent transport systems （C⁃ITS）［C］. Vehicular Technology Conference， 2018： 1-5.
13	MAHMOUDI I ， KAMEL J ， BEN⁃JEMAA I ， et al. Towards a reliable machine learning⁃based global misbehavior detection in C⁃ITS： model evaluation approach［C］.Vehicular Ad⁃hoc Networks for Smart Cities， Third International Workshop， 2019.
14	ALHEETI K M， MCDONALDMAIER K D. Hybrid intrusion detection in connected self⁃driving vehicles［C］. International Conference on Automation and Computing， 2016： 456-461.
15	ALI K M， SAMAWI V W， RABABAA M S， et al. The affect of fuzzification on neural networks intrusion detection system［C］. Conference on Industrial Electronics and Applications， 2009： 1236-1241.
16	THILAK K D， AMUTHAN A. Cellular automata⁃based improved ant colony⁃based optimization algorithm for mitigating DDoS attacks in VANETs［J］. Future Generation Computer Systems， 2018，82： 304-314.
17	KHAN Z ， CHOWDHURY M ， ISLAM M ， et al. In⁃vehicle false information attack detection and mitigation framework using machine learning and software defined networking［J］. Computer Science，ArXiv， 2019.
18	LI W， SONG H. ART： an attack⁃resistant trust management scheme for securing vehicular Ad Hoc networks［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（4）： 960-969.
19	ZAMIL M G， SAMARAH S， RAWASHDEH M， et al. False⁃alarm detection in the fog⁃based internet of connected vehicles［J］. IEEE Transactions on Vehicular Technology， 2019， 68（7）： 7035-7044.

消息特征名称	特征定义
SenderID	节点ID
SenderPseudo	节点假名
MessageID	消息ID
SendTime	消息发送时间
Sender_Pos	节点位置
Sender_Pos_Noise	节点位置偏差
Sender_Speed	节点速度
Sender_Speed_Noise	节点速度偏差
Sender_Acl	节点加速度
Sender_Acl_Noise	节点加速度偏差
Sender_Head	节点朝向
Sender_Head_Noise	节点朝向偏差

参数	数值
路网拓扑	基于现实路网
仿真时间/h	2
车辆数量	710
车辆运动模型	随机运动
通信协议	IEEE 802.11p/1609
攻击车辆密度/%	5,10,15,20,25,30,35,40,45
攻击类型	DoS, Sybil, Replay, DDS
信标发送频率/Hz	1
障碍物衰退模型	Simple

实际类别	预测类别
实际类别	0	1
0	真阴(TN)	假阳(FP)
1	假阴(FN)	真阳(TP)

[1]	石琴,鲁康源,程腾,王川宿,张星,许佩玲. 基于量子密钥的车-云加密通信架构研究[J]. 汽车工程, 2023, 45(6): 936-943.
[2]	赵治国,李园,胡昊锐,王鹏,陈晓蓉. 紧急避撞工况下驾驶员异常行为检测[J]. 汽车工程, 2022, 44(3): 412-425.
[3]	章嘉彦, 李飞, 李如翔, 李亚林, 宋佳琦, 周启扬. V2X通信中基于椭圆曲线加密算法的身份认证研究^*[J]. 汽车工程, 2020, 42(1): 27-32.
[4]	张金辉,李克强,罗禹贡,张书玮,李红. 基于贝叶斯网络的联网环境中跟车工况下的前车运动状态预测^*[J]. 汽车工程, 2019, 41(3): 245-251.
[5]	魏磊,王云鹏,秦洪懋,余贵珍. 车联网环境下CACC车辆信息传播安全性研究^*[J]. 汽车工程, 2019, 41(3): 252-258.
[6]	段续庭,田大新,王云鹏. 基于V2X通信网络的车辆协同定位增强方法[J]. 汽车工程, 2018, 40(8): 947-951.