没有合适的资源?快使用搜索试试~ 我知道了~
车联网中虚假基本安全信息检测的超调谐集成随机森林算法
可在www.sciencedirect.com在线获取ScienceDirectICTExpress 9(2023)122www.elsevier.com/locate/icte车联网中虚假基本安全信息检测的超调谐集成随机森林算法Goodness Oluchi Anyanwua,Cosmas Ifeanyi Nwakanmab,Jae Min Leea,Dong-SeongKima,a韩国龟尾市久茂国立技术学院IT融合工程系网络系统实验室b韩国龟尾工部国立技术学院ICT融合研究中心接收日期:2021年11月16日;接收日期:2022年5月20日;接受日期:2022年6月7日2022年6月19日网上发售摘要检测传播虚假数据的节点是有效部署车联网(IoV)服务的先决条件。本文提出了一种新的超调谐集成随机森林(Ens.RF)算法来检测车联网中的虚假基本安全消息。性能评估是使用车辆参考不当行为(Vehicular Reference Misbehavior,VeReMi)数据集进行的,该数据集包括以数据为中心的车辆网络不当行为评估为了进行验证,提出了对所提出的“Ens. RF”模型、本工作中实现的五种机器学习算法以及相关文献中最先进的ML模型的性能的比较分析。 考虑的性能指标是时间效率和验证准确性的整体不当行为分类。此外,结果证实了数据平衡的不相关性in real真实life scenarios场景.最后,我们评估了我们提出的系统的性能,用于检测每个伪造的情况下,使用精度回忆。实验结果表明,该算法的正确率为99.60%,在153,730个点中有604个错误分类,可以忽略不计。版权所有2022作者。出版社:Elsevier B.V.代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:互联车辆;包围学习;安全信息;超参数整定1. 介绍技术进步影响了连接和自动化车辆的时代,带来了可访问性,并使车辆连接到其他基础设施成为可能。研究兴趣越来越大由于信息密集型环境和连接到Web的设备数量的预计增加,连接设备的安全性受到影响[1]。因此,旨在实现用于车辆空间的智能决策的数据收集的车辆互联网(IoV)不断受到攻击和伪造的挑战,这些攻击和伪造使其暴露于可验证性[2]。随着对来自各种车联网设备的广泛数据处理的需求日益增加,对车辆到车辆(V2V)通信模型中的最佳和安全网络的需求日益增加。*通讯作者。电子邮件地址:anyanwu. kumoh.ac.kr(G.O.Anyanwu),cosmas.kumoh.ac.kr(C.I.Nwakanma),ljmpaul@kumoh.ac.kr(J.M.Lee),dskim@kumoh.ac.kr(D.-S. Kim)。同行审议由韩国通信研究所负责教育与信息科学(KICS)。https://doi.org/10.1016/j.icte.2022.06.003虽然有车辆协议和标准来确保传输数据的正确性,但无论这些协议和标准如何,安全风险都是不可避免的。车联网的安全风险主要集中在五个方面:联网车辆、智能设备、车联网通信、服务平台和数据完整性[3]。这项工作的重点是车联网数据的完整性,因为数据安全事件的后果是严重的。基本安全相关消息(BSM)存在威胁的风险,因为这些消息以规则的间隔在节点之间传输。BSM在车联网上传播,以描述车辆的位置、运动、组件状态和其他相关的在车联网中,注意力应该集中在生成的数据上,而不是生成数据的此外,可能会发生伪造;假装是最佳的故障节点可能会传播错误或虚假的信息,以混淆网络上的其他节点,从而产生时间关键的问题。因此,识别在IoV上发送不适当消息的异常或极端行为节点[5]至关重要。作为互联网的一个子集,物联网(IoT),在机器学习的使用方面享有同样的创新贡献和前所未有的成就2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。G.O. 安扬武Nwakanma,J.M.Lee等人ICT Express 9(2023)122123(ML)用于不当行为检测和安全连接事物的算法[6]。ML模型消除了统计模型的刚性约束,可以处理流行安全研究中的高维交通特征[7]。确保道路使用者之间的双向交互需要将车联网协议和标准与人工智能(AI)和ML模型相结合。本研究工作旨在做出以下贡献:通过利用Encoding Random Forest(Ens. RF)分类器的 超 参 数 调 整 来 实 现 轻 量 级 错 误 BSM 检 测 方 案(FBDS),以准确分类IoV中的攻击类型·超参数值的稳健选择,这些超参数值对于使用随机搜索交叉验证(RSCV)来确保可靠和稳健的评估将分类错误减少到最小以实现IoV数据安全性是最佳的。超参数调整后,五种不同的ML算法实现,并使用选定的性能指标的相关作品之间的比较。2. 相关文献异常检测的研究近年来已经产生了相当数量的文献。然而,只有少数专注于车联网中的不当行为检测的研究达到了这些关键系 统所需的准确性。作者在[8]中使用VeReMi数据集,提出了一种ML不当行为检测模型,通过将可扩展性检查作为附加功能来增强性能。表现最好的模型(RF)实现了90.83%的总体准确率,与其他六种ML算法相比提高了5%。对于动态场景,这种准确性被认为是低效的。此外,没有说明可能的部署情况。对于联网车辆中BSM的实时分析,[9]提出了一种可解释的ML方法。他们的机制提高了模型的可解释性,并提供了深入了解交通流特征的影响。然而,该研究缺乏考虑最佳参数选择和计算时间评估。在[10]中,作者通过合作V2V通信的潜力提出了一种基于私有IDS的分布式ML算法。该检测方案嵌入在每辆车中,以分析并正确地将信息包分类为正常和异常。实验结果表明,该算法的全局检测准确率为96.94%.然而,这种技术可能会引入计算复杂性,证明在处理多类异常时效率低下。[11]中的作者提出了一种使用Ens. RF的不当行为感知系统,用于检测破坏正常IoV操作的操纵活动。然而,该方法采用了一个协作检测系统,该系统使用非IoV适合的数据集进行评估,准确率为97%。[12]中的作者使用标准指标评估了一些常用的ML技术。该评估采用了城市模拟生成的车辆轨迹数据集MObility(SUMO)软件包。使用RF实现的分类率最高,证实了Ens的检测和分类能力RF算法。然而,评价工作的局限性在于它不涉及使用提取的特征集。[13]使用VeReMi比较了所选ML模型在二进制和多类问题上的准确性。DT是最好的模型,达到了73.3%的不可接受的准确度。进行了一组额外的车辆模拟,以验证其最佳性能的表现。然而,没有表示所产生的数据集在多大程度上是所测量变量的精确表示。[14]中提出的RF模型使用VeReMi数据集实现了97.62%的多类准确度。然而,拟议的重组RF采用了叠加方法,[15]以增加其准确性。堆叠方法将RF和XGBoost组合以在VANET中的节点发送的消息日志中发现不当行为。这种改进的方法实现了98.44%的准确性。[16]使用RF和堆叠方法分别实现了92.06%和83.6%的平均准确率,重点关注IoV中的虽然评估涉及合适的IoV数据集(VeReMi数据集),但没有证据表明参数优化或计算时间复杂度评估。类似地,[17]使用连续BSM方法实现了一个RF模型来分析VANET中的错误行为(位置伪造)。该模型在[18]中的作者采用了联邦学习(FL)方法,并在分散的边缘设备上实现。FL实现了78.8%的多分类准确率这种方法旨在在多个节点上训练模型。然而,他们没有考虑到VeReMi数据集不具备实现FL所需的属性,因为FL最适合无监督学习[20]。作者在[19]中列出了从BSM制造数据集(上下文感知消息(CAM))上的几个ML分类器获得的结果,其中堆叠的RF实现了98%的最高准确度尽管通过各种方法实现了相当大的准确性,但是组合基础估计器和调整超参数的需要已经产生了有希望的结果[21],从而促进了对本工作中提出的算法的兴趣。此外,大多数这些方法和检测精度达不到任务关键系统精度的要求,超过99%。表1总结了相关工作和拟议模型的比较性能。3. 方法车联网容易受到攻击。根据特定的攻击类型和程度,对BSM中的错误行为和修改进行给定车辆通过分析各节点产生的BSM数据,提出了一种车联网虚假BSM检测FBDS代表了一个额外的防御层,···G.O. 安扬武Nwakanma,J.M.Lee等人ICT Express 9(2023)122124表1相关工作总结:以数据为中心的不当行为检测研究工作的比较分析,重点是安全信息评估。参考文献使用的数据集进口特征选择优化实施计算时间评估多类分析科恩的卡帕系数。检测精度>99%部署方案描述。[8]VeReMi × × ×[9]高D × × × × × ×[10] NSL-KDD × × ×[11] NSL-KDD × × × ×[12] BursT-ADMA × × × × × × ×[13]VeReMi× × × ×[14]VeReMi× × × ×[15]VeReMi× × × ×[16]VeReMi× × × ×[17]VeReMi× ×[18]第十八 话[19] CAM × × × ×拟定的Ens。RFVeReMi是一家专业的医疗保健公司。图1.一、I o V 的 架构,显示了拟议的FBDS的位置。以检测安全消息中的最轻微异常,该安全消息指示外围和端点安全标准和协议无法检测到的伪造和未知威胁的活动。如图1,额外的ML层防御机制通过在IoV的物理层和网络层之间嵌入ML检测系统(FBDS-图2在接收到BSM时,车辆的物理层中的车载单元(负责可靠的节点级FBDS包括所提出的ML算法,该算法执行对伪造的BSM的检测和分类,防止网络层被行为不端的节点破坏。输入数据(VeReMi)通过访问偏离从正常的行为。在ML建模阶段,如图2所示;使用Pearson相关技术对VeReMi数据集进行预处理以提取重要特征。所选择的特征用作所提出的Ens. RF模型的输入以进行训练。ML算法的优化通过调整超参数在ML建模时进行,以实现用于确定最终类别的更优函数在完成训练阶段之后,检测到登录到模型中的任何BSM数据的伪造因此,这将防止标记的BSM在网络上共享。所提出的ML性能与最先进的算法进行了比较。3.1. 机器学习分类器这项工作研究了六个最先进的ML分类器,适用于多分类问题和IoV环境中的攻击检测。这些分类器是从其他作者的经验以及相关作品和人工智能推荐书籍的证据中选择的[23]。所选择的分类器被广泛用于在IoV和VANESTIC中训练和测试不同参数的入侵,不当行为和伪造检测目的[7,16,19]。此外,它们在被并入误检或检测系统时显示出强大的性能。在这项工作中研究的分类器是最常用的用于保护车辆网络的分类模型; DT,互补朴素贝叶斯(CNB),岭分类器交叉验证( RCCV),K最近邻(KNN),梯度提升(GB)和建议的Ens。RF.DT使用熵和信息增益从数据集中学习,以近似一组if-then-else决策规则。目标是创建一个模型,通过学习从数据特征推断的决策来预测目标变量[23]。CNB算法是标准多项式NB的一种改进,之所以选择它,是因为它特别适合于不平衡数据集。它使用来自complement的统计信息来计算模型的权重。所考虑的RCCV实现了类似于G.O. 安扬武Nwakanma,J.M.Lee等人ICT Express 9(2023)122125⋃图二、 伪BSM检测系统(FBDS)。在这项工作中实施的优化技术(RSCV)。它还只计算一次投影矩阵,减少了多类分类和以一对一方法训练的类标签的复杂性[23]。KNN作为一种基于实例的学习器,不构建内部模型,而只是存储训练数据的实例。分类是根据每个点的最近邻居的多数投票计算的。该技术是类似的多数表决技术的Ens。RF模型在这项工作中提出的。在计算距离之后,查询点然后被分配到具有最接近该点的最具代表性的邻居的数据类。GB以前向阶段方式构建加性模型,允许优化任意可微损失函数。GB具有将弱学习器转换为强学习器的能力,这是一种自动嵌入式学习器优化技术。所提出的Ens. RF模型利用随机DT。与单针相比,Ens.RF是更好的型号DT算法,特别是具有正确和最优的超参数集. Ens. RF基于装袋,通过连接基本算法来工作。选择该模型的目的是克服单一DT算法通常遇到的过拟合问题。其基本思想是独立地构建基本估计器,并通过多数投票来平均它们的预测考虑到集成算法的规模和模型都是可缩减的,本文利用基本算法的级联结果来降低Ens. RF的复杂度。这种技术是一种有效和实用的方法,用于大型数据集,以实现更优的性能,同时最大限度地减少计算成本[23]。对于参数的最佳选择,Ens. RF依赖于RSCV,一种超参数调谐技术。当量(1)是集成学习模型的数学表示,其中:η表示集成学习方法,χ表示数据集的矩阵,γ表示观测或响应向量,θ指定聚合方法,θ表示超参数调整过程,基础学习器和方法参数,而总结了数据集变量之间的函数关系η=η(χ,γ,η,θ);(1)3.2. 数据集描述和预处理由于缺乏真实世界的场景,需要选择代表真实IoV世界的数据集,因为ML技术完全依赖于训练数据集。应考虑各种策略,如真实世界测试,数据集属性,用户友好性和模拟平台[13]。有一些数据集用于BSM伪造评估[12,24]。然而,它们中的大多数都不是公开的,并且不能有效地捕获车联网的动态特性。因此,这项工作采用了VeReMi数据集[24],这是一个适用于IoV不当行为评估的公开数据集。从文献(表1)中可以明显看出,最近的大多数研究都依赖于VeReMi作为最可靠和最相关的不良行为评估数据集。此外,它通过引入全面的安全相关功能来捕捉车联网的动态特性,包括发送器和接收器之间的估计位置、距离和速度,以及X和Y方向的估计到达角度。VeReMi数据集的模拟,生成和分类采用Lu ST,V E I NS和Maat。模拟网络产生关于本地车辆的GPS数据和从其他车辆接收的BSM集合[24]。它由车载车辆的消息日志组成LCVN代表了通过物联网、人工智能、自动驾驶汽车、智能灯和可穿戴设备等技术之间的互动实现的智慧城市生态系统。它包含不同的车辆密度、恶意攻击密度和旨在触发恶意攻击的频率。VeReMi数据集包括五个不当行为场景和一个正常场景。表2中列出了数据集中建模的不良行为场景和代表性标签。该数据集包含512434个观察结果和13个安全性相关特征。测量这些特征之间的统计关系有助于确定它们的重叠程度。多重共线性是独立变量高度相关的情况。解决多重共线性确保了过度拟合的减少,从而帮助算法学习[25]。图图3a显示数据集由一些相关的特征组成,这些特征用较深的蓝色突出显示,这说明需要解决多重共线性问题,G.O. 安扬武Nwakanma,J.M.Lee等人ICT Express 9(2023)122126−+ −图三. (a)显示数据集的多重共线性的相关矩阵。(b)PCC从每对具有高相关值的变量中选择一个的结果。注:相关特征以较深的蓝色突出显示表2VeReMi数据集中的场景和相应的标签。表3RSCV结果显示最佳超参数值。攻击类型标签参数最佳点不断攻击1型'n_estimator'40恒定偏移攻击2型'min_samples_split'3随机攻击类型4'min_samples_leaf'1随机偏移攻击8型'max_features''Auto'最终停止类型516型'max_depth'100良性0型“标准”'吉尼'它可能会破坏每个独立变量在预测因变量时的统计显著性[26]。使用相关性得分倾向于为1或1的两个变量的Pearson相关系数(PCC),使用阈值/ 0从具有高相关性值的每对变量中选择一个。9号,最终产品如图所示。3 B.数据集中每个类别的观测数量不是均匀分布的。尽管几位作者试图平衡数据集进行训练,但这与现实生活中的IoV场景中的验证并不一致,在现实生活中,良性案例应该高于攻击案例。此外,为了重新标度数据值的分布,使用最小-最大标度器标准标度方法。这是为了实现对离群值鲁棒的特征的标度。为了最大限度地利用可用数据进行训练、测试和充分访问模型性能,进行了5倍交叉验证。整个数据集被随机分成5个部分,每个部分的一部分用于训练数据(70%)和其他部分用于验证(30%)。3.3. 提出的随机化参数优化实现和描述集成模型的复杂性可能会由于基础算法的级联而增加。然而,在这项工作中,为了获得最佳性能,使用RSCV实现了超参数调整。RSCV是目前最广泛采用的参数优化方法[23]。与其他优化技术相比,RSCV的运行时间要低得多[25]。这里的目标是实现迭代的随机搜索,其中每个设置从可能参数的分布中采样。在使用RSCV进行几次随机化迭代后,表3中显示的最佳超参数值描述了模型表现最佳的位置。为所有其他算法选择默认参数设置。这些ML算法中的默认设置保证了最佳性能,除非需要基于自定义的解决方案[27]。4. 模型评估和结果讨论提出了“超调谐”的Ens. RF分类器,并与其他五种算法和现有的解决方案进行了比较,以验证其性能。基于准确性、验证和训练时间,评估并比较了在合适的IoV不当行为评估数据集(VeReMi)上实现的所有模型的分类性能。所提出的具有提取特征和使用最佳参数的Ens. RF在时间效率、准确性和分类验证方面优于作者在[8,13所用DT记录的准确度最低在[13]中。作者在[8,13在这项工作中,轻量级的Ens。RF的训练时间为6.9 s,从而降低了计算资源,此外还具有可接受的99.62%的卓越精度,超过了关键任务系统的最低要求对于比较G.O. 安扬武Nwakanma,J.M.Lee等人ICT Express 9(2023)122127≤≤表4对比分析相关作品、最先进的ML模型和拟议的Ens的检测性能。RF型号。参考文献号ML精度验证培训使用(%)(%)时间(秒)[八]《中国日报》RF90.83––[13个国家]DT73.3––[14个]RF97.62––[第十五条]改良L98.44––RF[16个]RF92.06––[18个国家]FL78.8–––DT99.3099.215.4–CNB82.7182.6957.7–RCCV89.0087.9738.5–KNN95.0793.58114–GB92.2.92.2035.8该模型少尉RF.99.6299.606.9表5选择CKC进行验证的关键参数CKC(%)一致程度0无协议121416181表6拟议Ens的多分类报告RF.n类真值n分类查全率109121 108741 99.951 9245 9245 100 1002 9196 9141 99.66 99.064 9079 9096 99.79 99.978 8656 8856 97.40 99.6516 8434 8652 96.85 99.36在这项工作中,CNB的检测准确率最差,为83.71%,而KNN的训练时间最长,为114 s。使用5折交叉验证对所提出的模型进行验证,验证准确率为99.60%,表明该模型在检测车联网中的虚假BSM方面是可靠和准确的。该 模 型 的 性 能 验 证 进 一 步 采 用 科 恩 的 Kappa 系 数(CKC)。CKC是一种用于验证分类器性能的度量,特别是在不平衡数据集和多分类问题上。此外,CKC适用于在类似条件下获得的数据点。CKC测量ML分类器分类的实例与标记为地面真值的数据的一致程度。CKC通常是0%到100%之间的数字。最大值表示完全一致,而小于100%的值表示不太一致或偶然一致[28],如表5所示。在这项工作中,CKC捕获率为99.2%,这意味着所提出的ML模型的检测结果是准确和无偏的;接近完美的一致性。此外,表6中的分类报告示出了所提出的模型的预测质量的度量,因为它量化了其分类灵敏度和检测分布,即类中的实际病例数(n-truth)与分类为属于该类的病例数(n-classified)。表6还包括精确度和召回率结果。因此,展示了分类器在全局准确性上的行为的深刻直觉此外,图4中混淆矩阵的结果表明,所提出的方案具有大约100%的见图4。混淆矩阵显示了所提出的Ens的优越分类性能。RF.识别“持续攻击”(1)类型的性能。此外,它在检测“良性”(0)、攻击类型“恒定偏移”(2)和“随机”(4)方面的能力约为99%。攻击类型为(16)记录了最差的表现。总的来说,该方案的总体误分类误 差 很 低 , 可 以 忽 略 不 计 , 为 604 。 “ 最 终 停 止 攻 击(16)”记录了最高的错误分类,而与“随机攻击(4)”相关的错误最小,而在恒定攻击(1)中没有错误这意味着G.O. 安扬武Nwakanma,J.M.Lee等人ICT Express 9(2023)122128图五、 拟定Ens的AUC-ROC。RF.使用系综算法允许更多的适应性和更好的结构来增强系统的性能。如图5,每个类别的AUC-ROC曲线的结果为1,这意味着Ens. RF在攻击和无攻击之间具有良好的可分性度量。唯一的例外是最终停止攻击(16)(浅蓝色ROC),ROC接近1。这些点代表在比较未能检测到阳性的成本与引发假阳性的成本时,警报5. 结论该工作为车联网BSM的安全性提出了一个优化模型。所提出的模型是Ens. RF的超参数调整,以提高攻击检测的准确性。与KNN、DT、CNB、RCCV、GB和相关工作相比,所提出的Ens. RF具有最佳性能。改进集成学习算法的参数调整以实现99.9%及以上的范围是未来的研究方向,因为IoV将需要作为任务关键型系统的最高精度点,并且考虑到对实现最佳性能的需求的兴趣CRediT作者贡献声明Goodness Oluchi Anyanwu:软件,调查,数据管理,形式分析,概念化,方法论,调查,写作Cosmas IfeanyiNwakanma:概念化,方法论,调查,写作评论编辑,监督,可视化,验证。Jae Min Lee:监督,资金收购。金东成:监督,资金获取,资源.竞合利益作者声明,他们没有已知的可能影响本文所报告工作致谢本研究得到了韩国教育科学技术部(MEST)资助的韩国国家研究基金会(NRF)的优先研究中心计划(2018R1 A6 A1 A03024003)和韩国科学与信息通信技术部(MSIT)的支持,以及韩国信息通信技术规划评估研究所(IITP)监督的大信息技术研究中心支持计划(IITP-2022-2020-0-01612)。引用[1] F.唐湾Mao,N. Kato,G. Gui,车辆网络中机器学习的综合调查:技术,应用和挑战,IEEE Commun。监视器家教23(3)(2021)2027 http://dx.doi。org/10.1109/COMST.2021.3089688。[2] F. Azam,S.K. Yadav,N. Priyadarshi,S.帕德马纳班河Bansal,车辆Ad-Hoc网络中认证方案的全面审查,IEEE Access 9(2021)31309 http://dx.doi.org/10。1109/ACCESS.2021.3060046。[3] S. Gyawali,Y. Qian,R.H.庆阳,车载通信网络中的隐私保护不当行 为 检 测 系 统 , IEEE Trans.Veh 。 70 ( 6 ) ( 2021 )6147http://dx.doi.org/10.1109/TVT。 2021.3079385。[4] M.A. Mehrabi,A. Jolfaei,用于互联车辆互联网安全消息验证的高效加密硬件,ACM Trans. 互联网技术。(2022)1-17。[5] T.关,Y. Han,N. Kang,N.唐,X. Chen,S. Wang,智能互联车辆 的 车 辆 网 络 安 全 概 述 , 可 持 续 性 14 ( 9 ) ( 2022 )http://dx.doi.org/10.3390/su14095211。[6] G.C. Amaizu,C.I. Nwakanma,S. Bhardwaj,J.M. Lee,D.S. Kim,CompositeandefficientddosattackdetectionframeworkforB5Gnetworks,Comput. 网络188(3)(2021).[7] A. 塔 尔 普 尔 湾 Gurusamy , Machine Learning for Security inVehiclesNetworks:A Comprehensive Survey,IEEE Commun.监视器家教24(1)(2022)346-379。[8] P. Sharma,H. Liu,基于机器学习的以数据为中心的车辆互联网不当行为检测模型,IEEE Internet Things J. 8(6)(2021)4991-4999。G.O. 安扬武Nwakanma,J.M.Lee等人ICT Express 9(2023)122129[9] C. Yuan,Y. Li,H. Huang,S. Wang, Z.孙,H. Wang,应用用于实时安全分析的可解释机器学习,一个连接的车辆环境,Accid。Anal.我预防。171(2022)106681。[10] G. Raja , S. 安 巴 拉 甘 湾 Vijayaraghavan , S. Theerthagiri , S.V.Suryanarayan , X. W. Wu , SP-CIDS : Secure and privatecollaborative IDS for VANESTIC,IEEE Trans. Intell.运输单系统22(7)(2021)4385http://dx.doi.org/10.1109/TITS.2020.3036071[11] F.A. Ghaleb,F. Saeed,M. Al-Sarem,B.A.S. Al-rimy,W. 布 利拉 ,A.E.M. Eljialy , K. Aloufi , M. Alazab , Misbehavior-aware on-demand collaborative intrusion detection system using distributedensemble learning for VANET , Electronics 9 ( 9 ) ( 2020 )http://dx.doi.org/10。3390/电子9091411。[12] M.A. Amanullah , M. Baruwal Chhetri , S.W. Loke , R. Doss ,BurST-ADMA:面向车辆互联网中的不当行为检测的澳大利亚数据集,在:2022年IEEE普适计算和通信研讨会及其他附属活动国际会议(PerCom研讨会),2022年,pp. 624-629[13] F. Hawlader,A. Boualouache,S. Faye,T. Engel,用于检测车辆网络中的错误位置攻击的智能错误检测系统,在:2021年IEEE国际通 信 研 讨 会 ( ICC 研 讨 会 ) , 2021 年 , pp.1http://dx.doi.org/10.1109/[14] A. Sonker,R.K.古普塔,一种新的不当行为检测程序在使用机器学习的车辆自组织网络中,Int.J.Electr. Comput. Eng. (IJECE)11(3)(2021)2535[15] A. Sonker,R.K. Gupta,一种新的机器学习算法组合,使用堆栈方法在VANGELT进行不当行为检测,Int. J. Comput. Sci. 网络安全性20(10)(2020)94[16] S. Ercan,M. Ayaida,N. Messai,Misbehavior detection for positionfalsification attacks in VANCENTRAL using machine learning,IEEEAc-cess 10 ( 2022 ) 1893 http://dx.doi.org/10.1109/ACCESS.2021.3136706。[17] A.夏尔马,A. Jaekel,使用连续BSM方法的VANET中基于机器学习 的 不 当 行 为 检 测 , IEEE Open J. Vehic 。 3 ( 2022 ) 1http://dx.doi.org/10.1109/OJVT.2021。3138354.[18] A. Uprety,D. B. Rawat,J. Li,使用联邦机器学习在IoV中进行隐私保护不当行为检测,2021年IEEE第18届年度消费者通信网络会议(CCNC),2021年,第101页。1比6[19] F. Gonçalves,J. Macedo,A. Santos,用于VANESTO的智能分层安全 框 架 , 信 息 12 ( 11 ) ( 2021 ) http://dx.doi.org/10.3390/info12110455。[20] N.K. Ray,D. Puthal,D. Ghai,Federated learning,IEEE Consum。10 ( 6 ) ( 2021 ) 106http://dx.doi.org/10.1109/MCE 。2021.3094778。[21] G.B. Tunze,T. Huynh-The,J. M.李,D.- S. Kim,用于高效自动调制识别的稀疏连接CNN,IEEE Trans. Veh. 技术69(12)(2020)15557-15568。[22] P. Tiwari,M.R. Gupta,使用散列函数的车辆自组织网络中行为不端节点的安全增强:调查,Int. J. Eng. Tech. Res. (IJETR)8(6)(2018)48[23] R. Shirkin,人工智能:人工智能完全初学者指 南 , 初 学 者 分 步指南,KD P 印刷和出版社, 俄罗斯,20 20 年,pp 。1-102[24] R.W. van der Heijden, T. Lukaseder ,F. Kargl ,VeReMi :用于VANESTO中不良行为检测的可比评价的数据集,2018,CoRRabs/1804.06701arXiv:1804.06701。[25] A. Subasi,第2章-数据预处理,在:A。Subasi(Ed.), PracticalMachine Learning for Data Analysis using Python,Academic Press,2020,pp. 27-http://dx.doi.org/10.1016/B978-0-12-821379-[26] G.T. Reddy,M.P.K.雷迪,澳-地拉克什曼纳河Kaluri,D.S.拉吉普特湾斯里瓦斯塔瓦T. Baker,大数据降维技术分析,IEEE Access 8(2020)54776 http://dx.doi.org/10。1109/ACCESS.2020.2980942。[27] R.G. Mantovani,A.L.D. Rossi,E. Alcobaça,J.C. Gertrudes,S.B.Junior , A.C.P. de Leon Ferreira de Carvalho , Rethinking defaultvalues:a low cost and efficient strategy to define hyperparameters,2020,CoRR abs/2008.00025 arXiv:2008.00025。[28] A.D. Raadt,M.J. Warrens,R.J. Bosker,H.A.L. Kiers,缺失数据的Kappa 系 数 , Edu. 精 神 病 。 我 的 意 思 。 79 ( 3 ) ( 2019 )558http://dx.doi.org/10.1177/0013164418823249
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- RTL8188FU-Linux-v5.7.4.2-36687.20200602.tar(20765).gz
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
- SPC统计方法基础知识.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功