Machine Learning-Based Malicious Vehicle Detection for Security Threats and Attacks in Vehicle Ad-hoc Network (VANET) Communications

要約

車両とインフラ間の効率的かつ信頼性の高い通信のための有望なテクノロジーとして車両アドホック ネットワーク (VANET) が急速に成長するにつれ、VANET 通信のセキュリティと完全性が重大な懸念事項になっています。
VANET に対する重大な脅威の 1 つは、悪意のあるノードがネットワークの機能を妨害し、データの機密性、完全性、可用性を損なうブラックホール攻撃の存在です。
この論文では、VANET におけるブラックホール検出のための機械学習ベースのアプローチを提案します。
このタスクを達成するために、まず通常のトラフィック フローと悪意のあるトラフィック フローを含む包括的なデータセットを作成します。
その後、ブラックホール攻撃を識別するための有望な機能セットを研究し、定義します。
最後に、勾配ブースティング、ランダム フォレスト、サポート ベクター マシン、k 最近傍法、ガウス単純ベイズ、ロジスティック回帰などのさまざまな機械学習アルゴリズムを評価します。
実験結果は、正常なノードと悪意のあるノードを区別する際のこれらのアルゴリズムの有効性を示しています。
私たちの調査結果は、ブラックホール攻撃を検出して軽減することにより、VANET のセキュリティを強化する機械学習ベースのアプローチの可能性も強調しています。

要約(オリジナル)

With the rapid growth of Vehicle Ad-hoc Network (VANET) as a promising technology for efficient and reliable communication among vehicles and infrastructure, the security and integrity of VANET communications has become a critical concern. One of the significant threats to VANET is the presence of blackhole attacks, where malicious nodes disrupt the network’s functionality and compromise data confidentiality, integrity, and availability. In this paper, we propose a machine learning-based approach for blackhole detection in VANET. To achieve this task, we first create a comprehensive dataset comprising normal and malicious traffic flows. Afterward, we study and define a promising set of features to discriminate the blackhole attacks. Finally, we evaluate various machine learning algorithms, including Gradient Boosting, Random Forest, Support Vector Machines, k-Nearest Neighbors, Gaussian Naive Bayes, and Logistic Regression. Experimental results demonstrate the effectiveness of these algorithms in distinguishing between normal and malicious nodes. Our findings also highlight the potential of machine learning based approach in enhancing the security of VANET by detecting and mitigating blackhole attacks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google