車聯(lián)網(wǎng)環(huán)境下基于Stacking集成學習的車輛異常行為檢測方法*

薛宏偉，劉 贏，莊偉超，殷國棟，

（1. 東南大學網(wǎng)絡空間安全學院，南京 211189；2. 東南大學機械工程學院，南京 211189）

前言

車聯(lián)網(wǎng)（vehicle?to?everything，V2X）是智慧交通系統(tǒng)未來發(fā)展的關鍵，能夠大幅提升交通出行效率。車聯(lián)網(wǎng)可以實現(xiàn)車輛與周圍具備設施進行互聯(lián)互通，主要包含車與車通信、車與行人通信、車與基礎設施通信、車與互聯(lián)網(wǎng)通信等，車輛會定時廣播包含車輛狀態(tài)信息的基礎安全信息（basic safety messages，BSM）［1］，惡意節(jié)點可能篡改BSM，偽造交通事故，這些異常行為會破壞車聯(lián)網(wǎng)通信能力，甚至威脅到駕乘者的生命安全。因此，學者們提出在車聯(lián)網(wǎng)中部署異常檢測系統(tǒng)，目前的異常檢測方法根據(jù)檢測技術主要分為兩類，即基于規(guī)則的檢測和基于異常的檢測。

基于規(guī)則的檢測方法依賴已知攻擊規(guī)則知識庫，通過與知識庫比對判斷是否為異常行為［2］。Tomandl 等［3］提出一種基于動態(tài)規(guī)則的REST?Net 車聯(lián)網(wǎng)檢測系統(tǒng)，具有動態(tài)自適應警告特點。但是基于規(guī)則的檢測方法只能檢測已知攻擊，無法檢測未知攻擊，所以學者們更加傾向于研究基于異常的檢測方法。基于異常的檢測方法是通過構建模型來判斷車輛行為是否屬于異常。很多學者將機器學習應用到車聯(lián)網(wǎng)異常行為檢測領域［4-5］，劉湘雯等［6］提出了一種基于弱分類器集成的虛假交通信息檢測方法，擴充消息分組的有效特征，將分類結果集成來判斷警報信息的真實性，降低了檢測時間，且檢測率高于使用部分特征的檢測方案。Van Der Heijden 等［7］首次提出并公開車聯(lián)網(wǎng)的異常檢測專用數(shù)據(jù)集VeReMi，后續(xù)很多學者［8-10］利用支持向量機、K 近鄰、決策樹、隨機森林等機器學習方法對VeReMi 數(shù)據(jù)集進行分析，并指出數(shù)據(jù)集中標簽的不合理性。Kamel 等［11-13］從攻擊類型、攻擊密度、車輛消息等方面完備了VeReMi 數(shù)據(jù)集。現(xiàn)有車聯(lián)網(wǎng)異常檢測研究主要集中在基于異常的檢測方法，尤其側重于基于機器學習方法，但是機器學習方法依賴于數(shù)據(jù)集，很多學者仍然使用面向傳統(tǒng)網(wǎng)絡的網(wǎng)絡安全數(shù)據(jù)集［14-15］，或者往往只針對單一類型的網(wǎng)絡攻擊［16-17］。

本文中以保證不同惡意車輛密度下的檢測穩(wěn)定性，提高異常行為車輛檢測率為目的。基于Veins車聯(lián)網(wǎng)仿真平臺，搭建了真實路況環(huán)境下遭受網(wǎng)絡攻擊的車聯(lián)網(wǎng)場景，構建出車聯(lián)網(wǎng)異常檢測數(shù)據(jù)集，并基于Stacking 集成學習思想，融合多種機器學習基分類器，提出一種新型的適用于車聯(lián)網(wǎng)的車輛異常行為檢測方法。

1 模型與方案假設

1.1 方案假設

本文采用如下假設。

假設1：所有車輛配備GPS 設備、無線信號收發(fā)器以及各種傳感器，且各種設備均是完好，能夠實時感知周圍環(huán)境，并接收來自其他車輛和設施的相關信息。

假設2：車聯(lián)網(wǎng)通信協(xié)議采用IEEE802.11p/1609 標準。其中，IEEE 802.11p 定義車輛與其他車輛進行無線通信的物理層與MAC 層標準，IEEE 1609 基于IEEE 802.11p 使用PKI 實現(xiàn)數(shù)字簽名，確保了消息的完整性和不可否認性，加強了車聯(lián)網(wǎng)通信的安全性。

假設3：所有車輛均能正常進行通信，且車聯(lián)網(wǎng)中大部分車輛是正常車輛。

1.2 車聯(lián)網(wǎng)模型

基于IEEE 802.11p/1609協(xié)議，車輛在加入通信前必須先向證書授權（certificate authority，CA）機構申請證書，如圖1 所示。CA 機構認為該車為合法車輛后將會頒發(fā)證書：唯一身份序號I，假名PI，一組公鑰Pk和私鑰Sk，以及數(shù)字證書CertCA（I，Pk）。當車輛具備合法通信能力后，可以給鄰近車輛發(fā)送BSM 消息，車輛在收到消息后會調用異常檢測模塊對消息進行檢測，并將檢測結果上報給響應處理模塊，對車輛進行下一步處理。

圖1 車聯(lián)網(wǎng)模型

1.3 攻擊模型

車聯(lián)網(wǎng)中，由于開放的網(wǎng)絡環(huán)境使得車輛易受網(wǎng)絡攻擊，本文中考慮車聯(lián)網(wǎng)中4 種常見網(wǎng)絡攻擊類型，具體如下。

DoS 攻擊：即拒絕訪問攻擊（denial of service），本文中是指惡意車輛節(jié)點不遵守車聯(lián)網(wǎng)中關于消息發(fā)送頻率的限制，不斷往鄰居車輛發(fā)送信標消息，使得整個車聯(lián)網(wǎng)陷入癱瘓，無法正常提供服務。

Sybil 攻擊：即女巫攻擊，是指惡意車輛節(jié)點故意偽造不存在的車輛節(jié)點，造成道路擁堵的假象。攻擊者通過為每個假車輛維護新的身份和正確的消息頻率，生成一個虛假車輛網(wǎng)絡。

Replay 攻擊：即重放攻擊，是指惡意車輛節(jié)點重放從鄰居節(jié)點收到的歷史消息，使得網(wǎng)絡中充滿了過時消息，正常車輛節(jié)點發(fā)送的消息無法及時被處理。

DDS 攻擊：是指將上述3 種攻擊綜合起來，如圖2所示，在Sybil攻擊模式下，惡意車輛節(jié)點偽造出大量虛假車輛，并讓他們發(fā)送大量的過時消息。

圖2 DDS攻擊

2 基于Stacking 集成學習的異常行為檢測方法

由于單一的機器學習方法在針對多分類問題上往往具有局限性，而Stacking 集成學習方法可以很好地將多個分類器通過樹型結構進行融合，從而達到提高分類的準確率、精確率等效果。因此，本文中針對車聯(lián)網(wǎng)中車輛異常行為威脅問題，提出一種基于Stacking 集成學習的異常行為檢測方法，充分挖掘多個分類器的優(yōu)勢，提升了模型性能及泛化能力。

2.1 方法描述

從仿真中收集的信標數(shù)據(jù)經(jīng)過預處理后得到的數(shù)據(jù)集如下：

式中：m為數(shù)據(jù)集中數(shù)據(jù)數(shù)量；n為特征數(shù)量；Dij(1≤i≤m，1≤j≤n)表示數(shù)據(jù)集中第i個數(shù)據(jù)的第j個特征；Li表示數(shù)據(jù)集中第i個數(shù)據(jù)所對應的標簽，且L1，…，Lm∈{c1，c2，…，cl}，{c1，c2，…，cl}表 示所 屬 攻擊類型，取值為｛0，1，2，3，4｝，分別表示｛正常，DoS，Sybil，Replay，DDS｝。

按照分層抽樣的原則，將數(shù)據(jù)集的75%作為訓練集DTrain，25%作為測試集DTest，并將數(shù)據(jù)集中的數(shù)據(jù)和標簽分離。

式中：p、q分別表示訓練集和測試集的大小，且p+q=m；XTrain、yTrain和XTest、yTest分別表示訓練集的數(shù)據(jù)、標簽和測試集的數(shù)據(jù)、標簽。

2.1.1 訓練過程

結合K 折交叉驗證思想，采用5 折交叉驗證用訓練集對初級分類器進行訓練，初級分類器為

式中BCi，1≤i≤5表示第i個初級分類器。

將訓練集數(shù)據(jù)XTrain進行5 等分，記為XT1，XT2，…，XT5，接下來對每個初級分類器進行5 折交叉驗證。使用第一個初級分類器BC1進行1 折交叉驗證，過程如下。

本折訓練集：XTT1=XT2∪…∪XT5

本折驗證集：ycv1=XT1

使用初級分類器BC1對訓練數(shù)據(jù)XTT進行擬合，使用訓練過后的初級分類器BC1在驗證數(shù)據(jù)ycv1進行預測，得到預測數(shù)據(jù)Vcv1。

下一折交叉驗證過程和上述類似，訓練數(shù)據(jù)為XTT2=XT1∪XT2∪…∪XT5，驗證集為ycv2=XT2，經(jīng)過5 折交叉驗證之后，得到具有不同參數(shù)的初級分類器BC1，在5 組驗證數(shù)據(jù)上的預測結果為Vcv1，Vcv2，…，Vcv5，聚合為V1。

接下來對剩下的4 個初級分類器進行類似上述的5 折交叉驗證，對每個初級分類器在驗證集上的預測結果進行聚合之后得到次級數(shù)據(jù)集V。

使用次級分類器MC對次級數(shù)據(jù)集V進行再次訓練，得到最終模型H。

2.1.2 分類過程

使用訓練完成的模型H在測試集數(shù)據(jù)XTest進行分類測試。依次使用5 個初級分類器對測試集數(shù)據(jù)XTest進行預測，得到5 個預測結果P1，P2，…，P5，對5個預測結果進行拼接融合成新的次級數(shù)據(jù)集P，使用次級分類器MC對次級數(shù)據(jù)集P進行再次預測，得到最終的預測結果Y。

2.2 具體實現(xiàn)

2.2.1 預處理（1）特征提取

信標消息包含車輛節(jié)點運動狀態(tài)的變化特征和車輛節(jié)點的身份信息。本文研究的信息特征及其定義如表1所示。

（2）標準化

由于收集到的數(shù)據(jù)各個數(shù)據(jù)維度不同，直接進行運算易受到數(shù)據(jù)維度影響，所以本文中對信息特征進行標準化處理：

表1 消息特征

式中：DOrign為原始數(shù)據(jù)；μ為均值；σ為方差；D為處理后得到的數(shù)據(jù)集。

2.2.2 異常行為檢測

檢測算法框架如圖3 所示，使用訓練集訓練出Stacking 模型，并使用測試集對模型進行預測，最終將結果提供給后續(xù)響應處理模塊，其中響應處理模塊將會作為后續(xù)研究。經(jīng)過多次實驗，最終選擇K近鄰、決策樹、多層感知機、AdaBoost、隨機森林5 個分類器作為初級分類器，選擇Logistic 回歸作為次級分類器。

圖3 檢測算法框架

（1）訓練過程

訓練過程的具體流程（算法1）如表1所示。

表1 訓練過程的具體流程

（2）分類過程

分類過程的具體流程（算法2）如表2所示。

3 仿真與結果分析

Simulation of Urban Mobility（SUMO）是一個開源的交通模擬仿真軟件，OMNET++是一個基于離散事件的開源網(wǎng)絡仿真軟件，Veins 基于TraCI 實現(xiàn)OMNET++和SUMO的雙向信息交互。

本文中基于Veins進行仿真實驗，整體仿真實驗流程如圖4 所示。首先從OpenStreetMap 網(wǎng)站導出東南大學九龍湖校區(qū)附近的實際地圖，并利用JOSM對地圖進行微調，在SUMO 對仿真中的道路參數(shù)、車輛參數(shù)、運動參數(shù)等進行定義，在Veins 中實現(xiàn)所述4 種網(wǎng)絡攻擊，并定義車輛節(jié)點的通信協(xié)議、信號衰落模型等參數(shù)。收集從仿真中生成的信標信息，并利用python 腳本文件將數(shù)據(jù)集整理成帶標簽的csv文件，將其中75%作為訓練集，25%作為測試集，提取包含車輛節(jié)點狀態(tài)和身份信息的特征，構建出車聯(lián)網(wǎng)異常檢測數(shù)據(jù)集；然后結合交叉驗證思想，使用K 近鄰、決策樹、多層感知機、AdaBoost、隨機森林5種初級分類器對訓練集進行訓練，并將初級分類器在驗證集上的預測結果作為次級分類器的輸入，將次級分類器的輸出作為最終的預測輸出，并用測試集對得到的Stacking模型進行評估。

表2 分類過程的具體流程

圖4 仿真實驗流程

3.1 仿真參數(shù)設置

3.1.1 仿真地圖選取

從OpenStreetMap 網(wǎng)站截取東南大學九龍湖校區(qū)附近的實際地圖，并利用JOSM 對地圖進行一些微調，如圖5所示。

圖5 SUMO場景

3.1.2 車聯(lián)網(wǎng)參數(shù)設置

本文中車聯(lián)網(wǎng)通信協(xié)議采用IEEE 802.11p/1609 協(xié)議，并設置了不同攻擊節(jié)點密度進行對比實驗，表3對主要仿真參數(shù)進行了總結。

表3 仿真參數(shù)設置

3.1.3 Stacking檢測方法參數(shù)設置

選擇K 近鄰、多層感知機、決策樹、隨機森林、AdaBoost 5 種分類器作為初級分類器，Logistic 回歸作為次級分類器。各個模型的參數(shù)設置如表4所示。

3.2 評估指標

常用準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1?Score 作為檢測算法優(yōu)劣的評估指標［18-19］，用于計算各項指標的混淆矩陣如表5所示。

表中各參數(shù)的含義如下。

真陰（true negative，TN）：異常行為被正確分類為異常行為的數(shù)量。

真陽（true positive，TP）：正常行為被正確分類為正常行為的數(shù)量。

假陰（false negative，F(xiàn)N）：正常行為被錯誤分類為異常行為的數(shù)量，屬于漏報。

假陽（false positive，F(xiàn)P）：異常行為被錯誤分類為正常行為的數(shù)量，屬于誤報。

表4 Stacking參數(shù)設置

表5 混淆矩陣

（1）準確率（Accuracy）是所有正確檢測行為與所有考慮檢測行為的比率。

（2）精確率（Precision）是正確預測的異常行為與總預測異常行為的比率。

（3）召回率（Recall）是正確預測的異常行為與實際異常行為總數(shù)的比率。

（4）F1?Score 是精確率（Precision）和召回率（Recall）的調和平均數(shù)。

準確率是評估分類器性能的一個重要指標，但是對于如本文中的不平衡數(shù)據(jù)集，并不總能很好地評估一個模型的優(yōu)劣，而精確率和召回率在這種情況下的表現(xiàn)將會更加突出。精確率表明分類器區(qū)分正常行為和異常行為的能力，擁有較高的精確率表明分類器具有的誤報率；召回率表明分類器對于異常行為的檢測能力，擁有較低的召回率表明該攻擊較難被檢測出來；F1?Score 是精確率和召回率的調和平均數(shù)，能較好地表示分類器的整體能力。

3.3 結果分析

首先比較本文方法在不同攻擊節(jié)點密度下的性能，接著與K 近鄰、決策樹和多層感知機3 種方法進行比較，分析該方法性能。

3.3.1 受攻擊密度影響

為檢驗本文算法在不同攻擊節(jié)點密度下的性能，本文中仿真了5%、10%、15%、20%、25%、30%、35%、40%和45%攻擊節(jié)點密度下的場景，圖6 顯示了準確率、精確率、召回率、F1?Score 與攻擊節(jié)點密度之間的關系。

圖6 不同攻擊節(jié)點密度下的評價指標

本文提出的算法檢測的準確率達到99%以上，對于DoS、Sybil、Replay 和DDS 的檢測結果整體上受到攻擊節(jié)點密度的影響較小。對于所有類型攻擊檢測的精確率、召回率和F1-Score 最后都穩(wěn)定達到了90%以上，而且大部分場景下都能達到98%左右，但是當攻擊密度為5%時，由于仿真時間有限，攻擊節(jié)點少，產(chǎn)生的惡意消息較少，不容易檢測出Replay攻擊，但檢測Replay 攻擊的精確率隨著攻擊密度增長逐步穩(wěn)定在90%以上，召回率穩(wěn)定在93%以上，F(xiàn)1-Score穩(wěn)定在92%以上。

3.3.2 與其他分類器比較

將本文提出的異常檢測算法與K 近鄰（KNN）、多層感知機（MLP）、隨機森林（Random Forest）3種常見的機器學習檢測方法進行比較，結果如圖7所示。

從圖中很容易看出，在不同攻擊密度場景下，本文提出的方法整體上比其他方法表現(xiàn)要好，各評價指標都是97%以上。另外其他方法中隨機森林表現(xiàn)較好，多層感知機和K近鄰表現(xiàn)相似。

4 結論

本文中針對車聯(lián)網(wǎng)中存在的車輛異常行為問題，主要做出以下研究：

（1）基于Veins 平臺實現(xiàn)了DoS、Sybil、Replay 以及DDS 4 種網(wǎng)絡攻擊，搭建了真實路況環(huán)境下的車聯(lián)網(wǎng)場景，構建了遭受網(wǎng)絡攻擊下的車聯(lián)網(wǎng)異常行為數(shù)據(jù)集；

（2）基于Stacking 集成學習思想，融合多種機器學習方法，提出了一種新型的適用于車聯(lián)網(wǎng)的異常行為檢測方法；

（3）實驗結果表明，該方法在不同攻擊密度場景下對不同網(wǎng)絡攻擊的檢測準確率都能達到98%以上。

（4）相同條件下，與其他主流的單一分類器相比，準確率、精確率、召回率以及F1?Score 值更高，證實了本方法的有效性。

圖7 多種檢測方法比較