Hybrid PLS-ML Authentication Scheme for V2I Communication Networks

要約

車両のスマート化に伴い、車両通信ネットワークが急速に出現しています。
しかし、これらのネットワークはさまざまな攻撃に対してますます脆弱になっています。
自動運転車両の増加により状況はさらに悪化しており、安全かつ効果的な交通管理を確保するためのセキュリティと認証対策の必要性が強調されています。
この論文では、送信機車両の位置をデバイスの指紋として利用することにより、新しいハイブリッド物理層セキュリティ (PLS) と機械学習 (ML) 認証スキームを提案します。
当社では、到着時刻 (ToA) ベースの位置特定メカニズムを使用しています。このメカニズムでは、ToA が路側機 (RSU) で推定され、送信車両の座標が基地局 (BS) で抽出されます。さらに、車両のモビリティを追跡するために、
移動する正規の車両では、いくつかのシステム パラメーターでトレーニングされた ML モデルを使用します。
この目的のために、サポート ベクトル回帰とデシジョン ツリーという 2 つの ML モデルを試します。
私たちのスキームを評価するために、ML モデルによって提供されるグランド トゥルースを利用して、推定された位置に対してバイナリ仮説テストを実行します。これにより、送信ノードが正当か悪意があるかを分類します。
さらに、二値仮説検定の結果として得られるパフォーマンス指標として、誤報の確率と検出漏れの確率を考慮し、平均絶対誤差 (MAE)、平均二乗誤差 (MSE)、決定係数 $\text{R}
^2$ を使用して ML モデルをさらに評価します。
また、私たちのスキームを、認証のために RSU への到達角度を利用するベースライン スキームと比較します。
私たちが提案した位置ベースのメカニズムは、検出ミスの点でベースライン スキームよりも大幅に優れていることがわかります。

要約(オリジナル)

Vehicular communication networks are rapidly emerging as vehicles become smarter. However, these networks are increasingly susceptible to various attacks. The situation is exacerbated by the rise in automated vehicles complicates, emphasizing the need for security and authentication measures to ensure safe and effective traffic management. In this paper, we propose a novel hybrid physical layer security (PLS)-machine learning (ML) authentication scheme by exploiting the position of the transmitter vehicle as a device fingerprint. We use a time-of-arrival (ToA) based localization mechanism where the ToA is estimated at roadside units (RSUs), and the coordinates of the transmitter vehicle are extracted at the base station (BS).Furthermore, to track the mobility of the moving legitimate vehicle, we use ML model trained on several system parameters. We try two ML models for this purpose, i.e., support vector regression and decision tree. To evaluate our scheme, we conduct binary hypothesis testing on the estimated positions with the help of the ground truths provided by the ML model, which classifies the transmitter node as legitimate or malicious. Moreover, we consider the probability of false alarm and the probability of missed detection as performance metrics resulting from the binary hypothesis testing, and mean absolute error (MAE), mean square error (MSE), and coefficient of determination $\text{R}^2$ to further evaluate the ML models. We also compare our scheme with a baseline scheme that exploits the angle of arrival at RSUs for authentication. We observe that our proposed position-based mechanism outperforms the baseline scheme significantly in terms of missed detections.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google