CAV-AD: A Robust Framework for Detection of Anomalous Data and Malicious Sensors in CAV Networks

自动驾驶汽车（CAVs）的采用引起了各个行业的广泛关注，包括公共交通、地下采矿和农业等领域。然而，CAVs依赖于传感器读数，使它们容易受到重大威胁。操纵这些读数可能会破坏CAV网络安全，对恶意活动构成严重风险。虽然提出了几种用于CAV网络的异常检测（AD）方法，但它们经常无法：i）高精度或F1分数检测特定传感器中的多个异常，以及ii）识别正在受到攻击的特定传感器。为此，本文提出了一个专门针对CAV网络的新框架，称为CAV-AD，用于在多个异常数据中区分异常读数并识别恶意传感器。具体而言，CAV-AD包括两个主要组成部分：i）一种称为优化全尺度CNN（O-OS-CNN）的新型CNN模型架构，通过为输入时间序列数据生成所有可能的内核大小来优化选择时间尺度；ii）一个放大块，用于增加异常读数的值，增强检测异常的灵敏度。此外，CAV-AD将所提出的O-OS-CNN与卡尔曼滤波器集成，以立即识别恶意传感器。我们使用包含即时和持续攻击的真实世界数据集对CAV-AD进行了广泛的训练，并评估了其在检测来自多个异常的入侵方面的性能，这呈现了更具挑战性的情况。我们的结果表明，CAV-AD优于现有技术方法，实现了平均准确度为98％，平均F1分数为89％，同时准确识别了恶意传感器。

本论文旨在解决连接和自动化车辆（CAVs）网络安全中的异常检测问题，尤其是在检测到多个传感器异常时无法准确识别被攻击的传感器的问题。

本论文提出了一个名为CAV-AD的新框架，其中包括一个新颖的CNN模型架构（O-OS-CNN）和一个放大块，用于增强对异常读数的敏感性，同时结合卡尔曼滤波器以便快速识别恶意传感器。

本论文在真实世界数据集上进行了广泛的训练，证明CAV-AD在检测多个异常数据时具有更高的准确性和F1分数，并能准确识别恶意传感器。该论文的代码已开源，值得进一步研究。

与本文相关的研究包括：'A Survey of Intrusion Detection Techniques in Cloud Computing'，'A Deep Learning Approach for Network Intrusion Detection System'等。