大家读完觉得有帮助记得关注和点赞摘要联网车辆CV广泛依赖通信技术来实现数据驱动的预测性分析以提升性能和安全性。然而这些通信信道可能被攻击者利用发动Sybil攻击等网络攻击从而威胁安全关键和移动性应用使CV面临风险并危及人身安全。随着CV部署的持续扩展实时检测和缓解网络攻击的需求变得日益迫切。本研究提出了一个基于车载数字孪生DT的碰撞预警框架具备Sybil攻击检测能力。该框架集成了时间卷积网络TCN用于学习车辆轨迹数据的时间依赖性以及分层可导航小世界HNSW算法用于高效的基于相似性的分类。我们的框架在通过现场实验收集的真实Sybil攻击数据上进行了评估。该框架在检测Sybil生成的虚假车辆时准确率、召回率和F1分数分别达到0.984、1.00和0.944。在安全性评估中该框架将近碰撞事件的平均暴露时间碰撞时间TET和平均积分时间碰撞时间TIT分别降低了88%和72%。此外实时可行性评估表明该框架符合安全应用的标准最大允许延迟并且在现代处理器的能力范围内良好运行展示了基于车载DT的框架作为下一代CV对抗Sybil攻击的攻击缓解机制的前景。关键词 联网车辆网络安全数字孪生Sybil攻击检测与恢复研究亮点开发了一个基于DT的、完全车载的框架可联合检测和缓解Sybil攻击同时实现碰撞风险评估开发了一种实时的、独立于基础设施的Sybil检测方法利用时空车辆轨迹建模通过静态和动态Sybil攻击场景下的现场实验验证了该框架1 引言联网车辆CV通信技术如蜂窝车联网C-V2X是智能交通系统ITS的基本组成部分。这些技术使车辆能够与其他车辆和路边基础设施实时交换运动学信息包括位置、速度和航向方向有望显著改善道路安全和运营效率[1]。协同自适应巡航控制和智能交通与交叉口管理系统等应用利用CV通信来提升安全和移动性。特别是C-V2X技术使车辆既能进行短距离直接通信也能通过蜂窝网络中继信息从而创建一个互联且复杂的生态系统[2]。现代车辆的一项关键安全功能是碰撞预警应用它提醒驾驶员和/或自主启动操作以防止事故。这些系统依赖实时信息来预测和避免碰撞。传统的碰撞预警系统主要依赖车载感知传感器如雷达、激光雷达和摄像头来估计车辆间距离和碰撞风险。然而它们的性能在恶劣天气条件、遮挡、有限感知范围或有限视线情况下可能会下降。相比之下基于C-V2X的碰撞预警应用不受天气条件、视线或遮挡的影响并且与车载传感器相比具有更长的范围[3]。然而支持C-V2X的系统也继承了网络环境的脆弱性使其面临一系列网络攻击如拒绝服务DoS、远程代码执行RCE和Sybil攻击[4, 5]。恶意行为者可以进行这些攻击以注入虚假信息、破坏数据流、禁用安全关键功能甚至控制车辆。一个特别具有威胁性的场景是Sybil攻击[6]其中攻击者生成多个虚假车辆身份并传输伪造的基本安全消息BSM。BSM是标准化的、频繁广播的数字消息使用C-V2X无线电共享速度、位置和航向方向等基本数据[7]。在Sybil攻击中攻击者注入多个伪造的BSM流这些流看似来自不同的车辆尽管它们都由同一个物理实体控制。图1展示了Sybil攻击场景其中攻击者CV正在广播带有自身ID和虚假车辆ID的BSM。良性车辆接收BSM并感知前方有两辆独立的车辆而实际上只有一辆。这种对感知交通的人工膨胀可能导致周围的CV和基础设施误解交通状况严重损害CV环境中安全关键应用的性能[8]。在基于C-V2X的碰撞预警系统中此类攻击可能导致错误的碰撞警报或不必要的规避操作如突然制动或变道从而导致不安全的道路条件或二次碰撞。由于Sybil攻击可能对交通安全和安保产生严重影响在CV环境中一种有效且鲁棒的Sybil检测方法至关重要[9]。目前大多数关于车载环境中Sybil攻击检测的研究依赖于固定基础设施如路边单元RSU或集中式服务器CS来管理认证令牌、监控位置差异、挑战可疑Sybil节点或运行基于机器学习ML的检测算法[10, 11, 12]。然而这些基于基础设施的方法的性能可能因现实世界障碍物如建筑物和树木而显著下降这些障碍物导致RSU周围的信号衰减和通信丢失[13]。此外RSU容易受到物理和网络攻击这可能造成单点故障[14]。这些挑战可能导致在受阻区域检测性能不可靠凸显了对独立于基础设施的Sybil检测方法的需求。图1Sybil攻击场景。在本工作中我们提出了一个新颖的基于车载数字孪生DT的碰撞预警框架通过利用道路网络几何和来自周围车辆的基于C-V2X的BSM来检测和缓解Sybil攻击。DT模型通常由三个组成部分构成物理实体、其虚拟表示以及两者之间的实时数据交换[15]如图2所示。本工作中提出的基于车载DT的框架包括一个资源高效的、分析性的Sybil攻击检测模块和一个基于DT的碰撞预警模块。Sybil攻击检测模块利用时间卷积网络TCN编码器和分层可导航小世界HNSW分类算法。TCN编码器和HNSW算法共同捕获车辆轨迹之间的时空关系并将其实时分类为Sybil虚假和非Sybil真实类别。基于DT的碰撞预警模块使CV能够收集来自附近具有C-V2X功能的物理车辆的BSM数据在车载虚拟模型中通过实时数据同步复制这些车辆轨迹并评估车辆之间的碰撞风险。如果碰撞预警模块检测到即将发生的碰撞它会与Sybil检测模块通信以检查前方车辆是Sybil还是非Sybil。两个模块并行运行该框架检测并缓解Sybil攻击从而减少Sybil引发的错误碰撞警告和不必要的车辆移动提高道路安全。通过使用实时数据同步我们的框架在DT内维护其周围环境的持续更新的虚拟模型即使在传统传感器失效时也能提供鲁棒性和连续性。通过独立于RSU或后端基础设施运行我们的车载DT框架确保即使在RSU或基础设施通信无效、间歇性或不可用时也能持续进行Sybil攻击检测和缓解。虽然DT技术在汽车行业已越来越多地用于预测性维护、车队管理和增强用户体验[15, 16]但据我们所知这是第一个能够检测和缓解CV环境中Sybil攻击的基于DT的碰撞预警方法。图2DT组成部分。本工作中提出的框架使用两种不同的Sybil攻击场景在现场进行了评估。在第一个场景中攻击者为多个与攻击者车辆保持恒定距离的虚假车辆广播BSM。在第二个场景中攻击者为虚假车辆广播BSM这些虚假车辆与攻击者车辆的距离偏移动态变化。两个广泛接受的碰撞风险替代度量指标——暴露时间碰撞时间TET和积分时间碰撞时间TIT已被用于评估该框架在改善道路安全方面的有效性[17, 18, 19]。TET通过测量车辆与其前车之间的碰撞时间TTC低于预定义安全阈值的累积持续时间来量化车辆经历潜在不安全跟车条件的总时间。相比之下TIT随时间聚合TTC的倒数从而对TTC值极小的情况赋予更大的重要性反映潜在碰撞事件的严重性。TTC是如果两辆车的当前速度和轨迹保持不变时的碰撞时间。此外还进行了实际部署可行性研究以评估框架的延迟和计算资源需求。框架评估产生了令人鼓舞的结果突显了基于DT的方法作为CV的鲁棒、独立于基础设施的碰撞预警和安全机制的前景。本研究的主要贡献可总结如下我们引入了一个基于DT的、完全车载的框架可联合检测和缓解Sybil攻击同时实现碰撞风险评估无需依赖RSU或后端基础设施。我们开发了一种实时的、独立于基础设施的Sybil检测方法利用TCN编码器和HNSW分类进行时空车辆轨迹建模。我们通过静态和动态Sybil攻击场景下的现场实验验证了所提出的框架证明了以TET和TIT衡量的Sybil引发的碰撞风险降低。本文其余部分结构如下。第2节回顾了相关研究和研究空白。第3节详细介绍了框架所遵循的方法。第4节讨论数据集准备过程。第5节介绍了车载DT框架组件的开发。第6节涉及评估过程、结果和对发现的简要讨论。最后第7节通过总结发现、局限性和未来方向来结束本文。2 相关工作在本节中我们讨论了先前关于Sybil攻击检测的研究以及采用基于DT的系统进行网络安全应用的研究。讨论突出了这两个领域的关键方法和局限性以为本工作中提出的框架提供背景和动机。2.1 DT在网络安全和ITS安全中的应用DT被广泛用于预测性事件研究以确保制造业、基础设施管理、电力和航空航天等各行业的安全。事实上由于机械、电气和信息技术以及虚拟仿真和数据采集技术的快速进步DT已成为自主和智能制造中最令人兴奋的研究概念之一[20]。尽管不如工业制造过程那样突出DT已被网络安全领域的研究人员使用特别是用于攻击检测和预防。Masi等人开发了一个框架用于设计面向安全的网络物理关键系统DT采用安全设计的架构方法来模拟网络攻击并开发相应的对策[21]。作者利用RAMI 4.0工业框架展示了他们的工作。Korman等人评估了基于DT的对策在多大程度上可以改善电网监控与数据采集SCADA系统的安全性[22]。Ali等人提出了一个利用长短期记忆与深度强化学习LSTM-DRL模型的DT框架用于检测电动汽车电网网络物理系统上的协同网络攻击[23]。Eckhart等人提出了一个名为网络物理系统CPS孪生的框架用于从CPS的物理实体规范生成DT[24]。使用CPS孪生作者提出了一种通过比较基于规范的DT信号和实际设备信号来轻松检测入侵的方法[25]。Kummerow等人提出了一种基于DT的异常/故障预测检测方法。这个用于输电系统的DT框架称为动态数字模型DDM通过分析当前信号以及历史数据或趋势并将其与测量信号进行比较来检测异常[26]。DT最近在ITS和基础设施领域的安全相关应用中崭露头角。参考文献[27, 28, 29]提供了DT技术应用于铁路、公路和桥梁进行设计、监控和维护的几个例子展示了其对安全、节能、减排和现实系统高效运营的重大影响。Li等人开发了一个驾驶员风险感知移动分析DT可预测安全风险并展示了强大的预测准确性[30]。2.2 Sybil攻击检测针对车辆的网络攻击是一个研究充分的话题。2015年之前大多数针对车辆的攻击利用控制器局域网CAN总线或电子控制单元ECU中的漏洞通过物理车载诊断OBD端口进行需要物理访问车辆[31]。随着蓝牙、蜂窝互联网和信息娱乐系统的引入研究记录了使用不同通信网络对车辆的远程攻击。几项研究工作已经证明通信网络如专用短程通信DSRC和蜂窝技术可被用于CV。例如Petit等人展示了车对车V2V通信的若干攻击对联网和自主车辆带来的风险强调了对系统可靠性和安全性的关键影响[4]。其中一种网络攻击——Sybil攻击——对通信完整性、交通安全和网络可靠性具有关键影响。因此车载网络中的Sybil攻击检测引起了广泛的研究兴趣。车载环境中Sybil攻击检测的研究可大致分为四类基于安全认证的方法、基于位置的方法、基于资源测试的方法和基于数据驱动的行为测量方法[10]。Yang等人引入了一种分类方法其中使用三种分类算法在集中式服务器上分析车辆移动行为[11]。数据通过提供位置认证的基站收集使服务器能够通过将认证位置与移动模式关联并构建共现图来区分Sybil生成的虚假车辆。然而模型训练和决策需要集中式处理[10]。Asad等人开发了一个联邦学习框架FL-SATS利用由车辆、RSU和软件定义网络控制器组成的三层架构来检测Sybil攻击。他们的方法使车辆能够进行分布式模型训练RSU和中央控制器聚合模型权重。这种层级结构平衡了检测准确性、隐私性和低延迟然而它需要RSU和集中式SDN控制器作为关键检测组件[32]。Azam等人的协同学习方法使用集成ML分类器对移动数据进行Sybil检测。尽管重点是算法鲁棒性但数据采集和模型训练与集中式基础设施或RSU绑定以收集足够的训练数据并分发检测结果从而强调了一种半集中式架构[33]。Yao等人的方法利用RSU进行多信道监控通过识别信道访问模式中的异常来检测Sybil节点。由于Sybil攻击者无法以不同身份在多个信道上同时传输因此监控这种行为异常并分析不一致性被用来检测攻击者[34]。Rakhi等人提出了一种基于最长公共子序列LCSS相似性和车辆集群内簇头CH处变化点检测的分散检测技术。他们基于集群的检测方法比较接收信号强度指示器RSSI序列以识别功率控制的Sybil攻击从而增强可扩展性并减少对基础设施的依赖[35]。Attar等人使用从车辆数据中提取的移动特征训练分类算法来分析Sybil攻击检测。尽管侧重于算法性能但数据处理依赖于由RSU或服务器促进的集中式或半集中式收集保持了典型的基础设施依赖[36]。Baza等人提出了一种结合由多个RSU发布的位置加密证明和工作量证明谜题的Sybil攻击检测机制以限制Sybil身份的创建。车辆积累由RSU签名的位置证明检测由中央事件管理器通过分析轨迹执行。这种方法提供了强大的隐私保护但依赖RSU和集中式事件管理进行认证和Sybil分离[37]。尽管先前关于DT的研究增强了异常检测、运营效率和风险分析但没有任何研究提供实时检测和缓解攻击以保护CV的机制。现有的Sybil攻击检测方法利用RSU进行Sybil检测然而这些研究未解决RSU周围现实世界障碍物引起的信号衰减或通信丢失风险。此外Sybil攻击检测的集中式方法可能成为区域的单点故障影响该区域所有CV的攻击检测和缓解。这些差距推动了我们的工作利用车载DT作为CV在Sybil攻击下的主动攻击缓解机制同时独立于RSU运行确保持续和鲁棒的攻击检测。3 方法本节介绍了Sybil攻击模型和基于车载DT的碰撞预警框架的组成部分。后续小节描述了用于现场测试的攻击模型概述了基于DT的碰撞预警架构并详细介绍了其核心组件背后的数学基础。3.1 攻击模型本工作考虑针对支持C-V2X的CV系统的Sybil攻击者。假设攻击者拥有多个有效的车辆身份ID并能够以不同车辆ID生成和传输伪造的BSM。文献中描述了四种Sybil攻击生成方法即i为每个BSM字段生成完全随机的值ii在特定时间范围内根据周围车辆BSM的本地观测范围生成具有随机值的BSM数据包iii重放捕获的BSM数据包并修改时间戳和车辆ID以及iv构建网格模式虚假车辆其中虚假BSM基于攻击者车辆的位置、速度、航向等生成[38, 39]。使用第一种和第二种方法生成的随机BSM产生不相关的轨迹不能真实地将虚假车辆置于与受害者的碰撞路径上使其在系统性地攻击基于C-V2X的碰撞预警应用方面效果较差。在第三种方法中攻击者在修改时间戳和车辆ID后重新广播从其他真实车辆捕获的BSM因此攻击依赖于早些时候记录的一些真实车辆的自然运动并且仅当其轨迹恰好与受害者车辆的路径相交时才产生碰撞场景限制了攻击者对Sybil攻击的实时控制。相比之下第四种方法即基于网格模式的方法使攻击者能够在其自身车辆周围生成一组虚假车辆。攻击者可以选择位置、速度和航向使多个虚假车辆故意与受害者对准潜在碰撞轨迹导致受害者CV相信它即将与一辆车碰撞。此方法为攻击者提供了对攻击时空特征的实时控制因此非常适合针对基于C-V2X的碰撞预警应用进行实用、有效的攻击。图3Sybil攻击模型a场景1攻击者CV与虚假车辆之间的距离是动态的b场景2攻击者CV与虚假车辆之间的距离是恒定的。本研究考虑了以下两种网格模式Sybil攻击场景以对本研究中开发的Sybil检测模型进行双重评估场景1 在此攻击场景中攻击者车辆广播包含自身位置和速度的BSM。同时攻击者车辆为位于自身一定距离的多个不存在车辆生成虚假BSM。每个虚假车辆与真实攻击者车辆之间的距离随攻击者车辆的速度而变化。当攻击者缓慢行驶时虚假车辆看起来更靠近攻击者车辆当攻击者加速时虚假车辆看起来更远。这产生了移动的虚假车辆其位置根据攻击者车辆的速度动态控制。场景2 与第一个攻击场景类似攻击者车辆像任何CV一样广播常规BSM同时为多个不存在车辆生成虚假BSM。但与场景1不同的是在场景2中真实攻击者车辆与每个虚假车辆之间的距离保持恒定。无论其运行速度如何虚假车辆始终与真实攻击者车辆保持固定距离在保持一致距离偏移的同时产生与攻击者车辆相似的车辆运动模式。此攻击导致其他CV系统感知到多辆车以编队形式行驶而实际上只有攻击者车辆真实存在。选择这两个场景是为了捕捉类似编队的稳定交通模式和更现实的动态演变交通模式从而对本研究中开发的Sybil检测模型的有效性进行双重评估。图3展示了这两种网格模式Sybil攻击场景。3.2 车载DT框架概述在本研究中车载DT框架由三个组成部分构成a物理车辆配备传感和通信设备在现实世界道路网络上运行b虚拟层在受害者车辆的车载计算机上实现托管Sybil检测和碰撞预警模块其中碰撞预警模块维护道路几何和车辆的数字表示以及c实时通信信道在物理层和虚拟层之间同步信息以实现对Sybil攻击和潜在碰撞的持续监控。图4车载DT模型的实验设置。图5车载DT框架的实验设置显示DT模型内的攻击者和虚假车辆。物理车辆配备GPS接收器和C-V2X无线电分别支持定位和通过C-V2X PC5接口的直接V2V通信。CV按照汽车工程师学会SAEJ2735标准[7]以100毫秒间隔[40]广播和接收BSM。图4展示了本研究中考虑的攻击场景。受害者车辆接收攻击者传输的BSM并将其摄入车载DT环境在环境中用于持续更新现实世界交通状况的虚拟表示。图5显示了现场测试期间的车载DT框架其中从攻击者CV接收的BSM用于在道路网络的数字模型中复制车辆运动。在车载虚拟层中碰撞预警模块维护道路网络的精确数字模型包括车道几何和GPS参考坐标以及动态更新的车辆位置和轨迹。传入的BSM被实时摄入以在此数字化网络上重建车辆运动并评估潜在碰撞条件。同时Sybil检测模块处理相同的BSM流以识别指示Sybil行为的不一致或异常轨迹模式。物理层和虚拟层之间的连续双向数据交换使车载DT能够执行受害者车辆与真实车辆的实时碰撞风险评估同时识别虚假车辆。当虚拟层检测到即将发生的碰撞或标记Sybil攻击时它向物理车辆发出相应的警告实现及时缓解。车载DT框架的整体数据流总结在图6中。图6基于车载DT的碰撞预警框架数据流。3.2.1 Sybil攻击检测模块对于Sybil攻击检测模块我们提出了一种混合ML模型包括编码器和基于相似性的分类算法如图7所示。时间卷积网络TCN编码器将时间序列车辆轨迹数据转换为高维向量表示或嵌入高效地学习和捕获每个车辆轨迹中的基本时间模式。五个具有递增膨胀因子的时间卷积层从4维输入纬度、经度、速度和航向中提取多尺度时间特征。选择这四个输入特征是因为它们是标准BSM的基本组成部分。生成的序列表示通过均值池化和全连接层聚合形成固定大小的嵌入向量然后以类平衡策略和均方误差损失进行监督训练学习用于Sybil检测的判别性嵌入。训练后测试轨迹的嵌入被提取并在由训练嵌入构建的HNSW图中索引以基于邻居类别及其平均距离推断Sybil标签。这种混合设计是为了利用TCN编码器和HNSW的优势而开发的。TCN有效地建模了轨迹序列的时间依赖性和动态性[41]而HNSW提供了快速、可扩展的机制用于在网络中识别可疑相似的轨迹[42]。图7Sybil攻击检测模块工作流程。设 X∈RT×dX∈RT×d 表示单个车辆的输入序列其中 TT 是序列长度即时间窗口内收集的BSM数据点数d4d4 是特征数量即纬度、经度、速度、航向。纬度、经度和航向使用均值归一化其中 μjμj 是训练集上特征 jj 的均值。速度通过限速标志进行归一化以表示相对于限速标志的车辆运动。这种方法能够对不同限速标志道路上的驾驶行为进行一致比较。TCN由 L5L5 个时间块组成每个块采用一维扩张因果卷积。对于块 ll时间 tt 的输出为其中 k5k5 是内核大小dl2l−1dl2l−1 是块 ll 的膨胀因子wi(l)wi(l) 是学习的卷积权重。应用零填充以确保输出序列长度与输入匹配。ll 和 kk 的选择由将用作输入的序列长度决定。每个时间块包含残差连接其中 x(l)x(l) 是块 ll 的输入如果输入和输出维度不同则通过 1×11×1 卷积对残差进行下采样。在最后一个块之后在时间维度上应用全局平均池化池化向量 z∈Rhz∈Rh其中 h64h64然后通过全连接层投影到嵌入空间其中 Wfc∈R64×hWfc∈R64×hbfc∈R64bfc∈R64。编码器使用均方误差MSE损失进行训练其中 e^ie^i 是通过将标签值在所有嵌入维度上重复而从序列 ii 的二元标签生成的64维目标嵌入。TCN生成的嵌入使用HNSW图进行索引这是一种高效的近似最近邻搜索算法。HNSW在嵌入空间上构建分层邻近图实现生成嵌入之间快速且可扩展的相似性比较。在推理期间新嵌入针对包含先前轨迹嵌入的HNSW索引进行查询。设 Etrain{e1,…,eN}Etrain{e1,…,eN} 表示训练集的嵌入集合。HNSW索引将这些向量组织在多图层图结构中以在欧氏空间L2L2 度量中实现高效的近似最近邻搜索。索引使用以下参数构建MM 表示每个节点的双向链接数设为16efconstructionefconstruction 表示构建时搜索深度设为16EfEf 表示查询时搜索深度设为50。给定测试嵌入 etestetestHNSW索引返回 k3k3 个最近邻的索引和距离其中 dj∥etest−eij∥2dj∥etest−eij∥2。HNSW在嵌入空间中找到最近邻并基于其邻居的嵌入将新嵌入分类为二元类别即Sybil或非Sybil。其中 00 表示真实或非Sybil车辆11 表示Sybil攻击生成的虚假车辆dthresholddthreshold 是所有平均距离的第10百分位数。3.2.2 基于DT的碰撞预警模块本研究中提出的基于DT的碰撞预警模块被设计为资源高效的安全模块在DT模型中处理来自附近CV的BSM数据。DT模型由现实世界道路网络的数字副本和从BSM重建的车辆数字轨迹组成。从数字轨迹中模块可以识别受害者DT在其内部运行车辆附近的其他车辆并在TTC低于预定义阈值时生成警报。通过关联Sybil检测模块的输出如果检测到碰撞风险且Sybil检测模块将相关车辆分类为非Sybil碰撞预警模块生成碰撞警报。碰撞预警模块使用半正矢公式[43]计算两辆车之间的大圆距离如(9)所示该公式基于大地坐标在地球表面提供精确的距离估计。通过半正矢公式得出的两辆车之间的距离 dd 为其中 cc 是中心角两辆车之间的GPS坐标纬度 φφ经度 λλ用于计算半正矢分量 aa其中 Δφφ2−φ1Δφφ2−φ1Δλλ2−λ1Δλλ2−λ1RR 表示地球平均半径R6,371R6,371 公里。(φ1,λ1)(φ1,λ1) 和 (φ2,λ2)(φ2,λ2) 代表两辆真实车辆的GPS坐标。TTC是碰撞预警应用中一个成熟参数由下式给出其中 VrelVrel 是车辆之间的相对速度。当TTC值低于阈值时碰撞预警模块向驾驶员发出警告。4 数据集本节描述了用于Sybil检测模型开发和评估的数据集包括数据收集、处理和结构化分析。第一小节概述了实验设置和数据收集程序下一小节详细介绍了数据准备过程。4.1 实验设置与数据收集在南卡罗来纳州克莱姆森市McGregor Road上进行了一次现场测试驾驶两辆CV以收集Sybil攻击数据。攻击者车辆在前方广播其自身的合法BSM和多个虚假车辆的虚假BSM。受害者车辆跟在攻击者后面。攻击者调整虚假车辆的位置使其出现在攻击者和受害者车辆之间。在每个时间步以10 Hz频率攻击者使用C-V2X无线电发送多组BSM一组带有真实攻击者车辆ID其他带有对应于其后方虚假车辆的虚假车辆ID。受害者车辆接收这些BSM每个看起来都来自不同的车辆。结果受害者车辆中基于C-V2X的碰撞预警系统在检测到与虚假车辆近距离接近时生成警报尽管受害者车辆实际上与真实攻击者车辆处于安全距离。为了生成足够的模型训练数据并在生成的Sybil攻击模式中引入变异性根据攻击者生成的虚假车辆数量考虑了三种情况案例1生成一辆虚假车辆案例2生成两辆虚假车辆案例3生成三辆虚假车辆。现场实验共进行了13次包括案例1的4次运行案例2的4次运行案例3的5次运行。每种情况下2次运行采用Sybil攻击场景1其余采用Sybil攻击场景2如第3.1节所述。实验期间记录了虚假车辆的4,990个BSM数据点和真实车辆的4,441个BSM数据点。这些BSM用于训练和评估Sybil攻击检测模型。图5显示了攻击场景期间的DT仿真其中车载DT模型显示道路上四辆车而实际上只有两辆。Sybil攻击实验需要配备仪器的CV、多名测试驾驶员、公共道路上的受控安全程序且耗时较长。由于这些原因只能收集有限的数据进行训练。因此真实世界驾驶数据通过城市交通仿真SUMO微观交通仿真平台生成的数据进行了增强。基于仿真的数据增强使Sybil攻击检测模块能够在各种交通流量即道路容量的30%、60%和90%下进行训练同时保持与真实世界车辆和现场测试地点道路网络几何相似的车辆运行特征。仿真的虚拟道路网络来源于现场测试地点克莱姆森大学McGregor Road的OpenStreetMapOSM数据。使用OSM地图数据在McGregor Road上创建了一条路线用于仿真目的。SUMO的netconvert工具用于将OSM数据转换为SUMO兼容的网络文件。为简化拓扑并降低仿真复杂性网络开发期间排除了非必要特征如建筑物、人行道、次要服务道路和人行横道。使用SUMO-GUI的可视化工具验证了网络拓扑确保准确表示i交叉口几何形状ii车道配置和iii交通信号。每次仿真运行持续20分钟。仿真分别代表510、1020和1530辆乘用车对应于《公路通行能力手册》HCM2010[44]规定的基本条件下双车道公路容量的30%、60%和90%。选择这些容量是为了评估Sybil检测模型在不同交通密度下的性能包括稀疏、中度和拥堵条件。仿真后在道路容量的30%、60%和90%交通流量下分别记录了15,826、38,015和58,342个BSM数据点。4.2 数据准备用于训练和验证Sybil检测模型的数据集是通过将在Sybil攻击现场测试中收集的真实和虚假车辆BSM附加到不同交通密度下仿真生成的数据中创建的。图8以30%容量交通流量为例说明了数据集准备过程60%和90%容量交通流量的数据集遵循相同过程。首先从Sybil攻击现场实验一辆虚假车辆和三辆虚假车辆中收集的真实和虚假车辆BSM被合并并附加到为30%容量交通流量生成的数据中创建数据集。该数据集进一步分为训练集和验证集。此过程使用60%和90%容量交通流量的仿真数据重复以创建额外的训练和验证数据集。这些训练和验证数据集用于训练Sybil检测模型并验证其性能以进行框架开发。测试数据集是通过将现场测试中收集的攻击者、受害者和虚假车辆BSM两辆虚假车辆附加到为30%容量交通流量生成的仿真数据中创建的如图8所示。测试数据集中使用的仿真数据与训练和验证数据集不同使用不同的仿真运行生成。测试数据集用于评估车载DT框架的有效性。图8从现场测试BSM和为道路容量30%交通流量生成的仿真数据创建数据集的过程。在数据集中使用二元分类将车辆分类为Sybil或非Sybil。现场测试期间在道路上行驶的攻击者和受害者车辆被标记为非Sybil车辆而虚假车辆被标记为Sybil。仿真生成数据中的所有车辆都被标记为非Sybil。为确定有效Sybil攻击检测所需的时间上下文考虑了每辆车的轨迹序列长度即来自一辆车的连续BSM数据点数量。序列长度 TT 代表 T/10T/10 秒的BSM数据因为车辆每秒广播10个BSM提供 T/10T/10 秒的时间上下文。我们实验了10、20、30、40、50、60、70、80、90和100个样本的序列长度以评估Sybil检测模型在不同时间上下文下的性能。每个Sybil类别在不同序列长度下生成的嵌入数量由下式给出其中 NiNi 是该类别中车辆 ii 的BSM数据点数nn 是该类别中的车辆数TT 表示序列长度。5 车载数字孪生的开发在本节中我们介绍了车载DT框架开发的细节。首先我们描述了Sybil检测模型的参数选择、训练和测试过程并简要讨论了验证结果基于这些结果我们选择了最优参数。在第二小节中我们介绍了基于DT的碰撞预警模块及其使用的参数。5.1 Sybil攻击检测模块使用第4.2节中描述的训练和验证数据集进行了一系列实验以确定在不同交通条件下性能最佳的Sybil攻击检测模型。训练数据集用于训练Sybil攻击检测模型训练10、20、30、40、50和60个轮次。训练期间模型使用学习率0.001、批量大小32和ADAM优化器。由于通过仿真生成了大量正常驾驶样本以增强有限的现场数据生成的数据集包含的良性样本远多于Sybil攻击实例。因此二元类别即Sybil和非Sybil是不平衡的采用标准类平衡技术WeightedRandomSampler确保训练期间抽取的每个小批量都是类平衡的。该技术根据样本的类别为每个样本分配权重确保来自代表性不足类别的样本被更频繁地采样。然而损失函数本身不是类加权的平衡仅通过采样策略实现。在损失函数中引入类别权重会过度补偿不平衡可能使模型偏向少数类别导致训练不稳定或泛化性能下降。训练后每个模型在其对应的验证数据集上进行验证使用标准二元分类指标测量性能包括准确率、精确率、召回率、F1分数和接收者操作特征曲线下面积ROC-AUC。基于最高F1分数选择最佳模型进行测试。图9Sybil检测模型在不同序列长度和轮次下a30%容量b60%容量c90%容量交通流量的F1分数性能比较。图9展示了Sybil攻击检测模型在不同交通流量、序列长度和轮次下的F1分数性能。结果表明F1分数在所有交通密度下都对序列长度敏感。模型需要更长的序列长度来提高F1分数在不同交通密度下收敛到0.90-0.94的范围。较短的序列长度导致F1分数较低且在训练轮次中变化较大。这可以归因于时间上下文数据不足无法有效区分Sybil和非Sybil车辆。在稀疏交通中许多良性车辆在短时间内遵循相似的速度限制附近的速度曲线导致非常相似的车辆运动模式。在中度至密集交通条件下车辆开始紧密跟车在短序列长度下许多车辆的运动模式看起来相似。这导致一些车辆落入HNSW分类器中Sybil主导的邻域并被标记为假正例导致所有交通密度下F1分数较低。在时间上下文不足的情况下进行更多训练轮次导致更多假正例进一步降低F1分数。当序列长度超过70时大多数模型的F1分数逐渐增加趋向收敛。因此更长的序列长度为模型提供了足够的上下文来分类边界真实车辆从而减少假正例并提高F1分数。在所有交通条件下最佳F1分数在序列长度80到100之间时观察到。进一步将序列长度增加到100以上在实验中未改善F1分数表明最佳模型性能所需的时间上下文已被捕获来自更早时间戳的数据可能不提供额外的学习上下文。该图表明在较长的序列长度下模型在各交通密度下表现良好在较高密度下仅有微小改进。这可以归因于在较高交通密度下训练数据集中有更多车辆数据可用。此外在所有交通流量条件和序列长度下Sybil检测模型在前50个训练轮次内达到最佳性能。超过此点额外训练未产生F1分数的任何改进。这种模式表明模型相对快速地收敛长时间训练可能导致过拟合轨迹特定噪声而非学习新的判别性时间模式。因此将训练限制在最多50个轮次在检测性能和计算成本之间提供了有效的权衡。表1总结了不同交通流量下最佳性能模型的性能指标。比较结果模型在90%容量交通流量准备的数据集上训练时表现最佳序列长度100训练30个轮次。表1道路容量30%、60%和90%交通流量下最佳性能模型的指标。交通流量容量百分比序列长度轮次准确率精确率召回率F1ROC-AUC30%80500.9460.8430.9890.9100.95960%100200.9710.8720.9960.9300.98090%100300.9840.8931.0000.9440.9915.2 基于DT的碰撞预警模块本研究中使用的碰撞预警模块是使用SUMO设计的基于DT的模块。如第4.1节所述在克莱姆森创建了McGregor Road的数字副本。基于Python的控制脚本通过交通控制接口TraCIAPI将BSM数据实时注入SUMO仿真实现与仿真的实时交互以摄入或导出数据。DT模型以100毫秒间隔持续计算其他车辆相对于受害者车辆的位置和速度以基于预定义的关键TTC评估碰撞风险。使用此间隔是因为C-V2X无线电按照SAE J2735[7]要求以100毫秒间隔广播BSM。当TTC低于受害者车辆DT在其中运行前方车辆的关键阈值时碰撞预警应用检查Sybil检测模块识别出的该前车的Sybil类别。如果前车被分类为非Sybil碰撞预警模块生成警报否则警报被抑制。本工作中基于先前研究[45]选择了2秒的关键TTC值。6 评估为评估框架的有效性我们在三种条件下进行碰撞风险评估i无攻击的基线交通ii无缓解框架的Sybil攻击下交通和iii启用缓解框架的Sybil攻击下交通。在SUMO中模拟了具有预配置车辆移动设置的交通流以代表无攻击的交通状况。在SUMO仿真运行时注入来自第4.2节所述测试数据集的记录BSM以模拟Sybil车辆的存在代表无缓解框架下受攻击的交通。此设置允许仿真车辆与注入的Sybil车辆交互。最后在启用缓解框架的情况下再次运行相同的Sybil车辆仿真。考虑了道路容量30%、60%和90%对应的交通流量以评估Sybil攻击的影响和缓解框架在不同交通密度下的有效性。6.1 评估指标实验期间考虑了两种碰撞风险替代度量指标即TET和TIT。TET定义为TTC低于所选阈值的总仿真时间。对于车辆 iiTET可表示为其中 kk 是时间步索引δi,kδi,k 是指示变量当车辆 ii 在时间步 kk 的TTC低于指定阈值时等于1否则为0ΔtΔt 是仿真步长TTCThreshold2TTCThreshold2 秒。TIT通过积分TTC倒数随时间度量潜在碰撞事件的累积严重性可由以下方程表示。对于车辆 ii其中 kk 是时间步索引ΔtΔt 是仿真步长。为防止极小TTC值引起的数值不稳定在计算TIT之前将TTC裁剪为最小值0.1秒。这确保单个时间步不会产生不成比例的大贡献同时仍能捕获近碰撞事件的严重性。此外框架在端到端延迟和计算资源消耗方面进行了评估以评估其适用于实时车载部署的适宜性。6.2 评估结果与讨论在本节中我们使用第6.1节概述的替代安全指标展示和讨论基于车载DT框架的有效性。实验期间对所有车辆对计算替代安全指标TET和TIT以量化当TTC低于2秒时它们之间的碰撞风险。我们还展示了框架的延迟分析和计算资源消耗分析以评估其在实际部署中的可行性。6.2.1 TET分析TET测量车辆在所选安全阈值2秒以下花费的总时间。图10中不同交通流量下每车TET的箱线图表明Sybil攻击显著增加了车辆暴露于风险条件的时间而基于DT的检测框架将暴露降低到接近基线条件。在无缓解的攻击条件下平均TET从无攻击条件下的0.180、0.526和0.941秒显著增加到交通流量为30%、60%和90%容量时的1.860、1.881和2.715秒。这可以归因于Sybil攻击引发的不安全条件更多车辆暴露于危险条件更长时间。图中还显示了极端异常值的明显增加进一步证实一些车辆在Sybil攻击期间经历了长时间的近碰撞事件暴露。图10不同交通流量下无攻击、有攻击无缓解和有攻击有缓解条件下的TET箱线图。应用基于DT的缓解框架后在所有交通流量和条件下一致降低了平均TET。图10表明有攻击有缓解框架条件的四分位距IQR和均值更接近基线条件异常值更少表明检测防止了Sybil注入引起的许多长时间暴露。这些条件下的平均TET在道路容量30%、60%和90%交通流量下分别为0.228、0.583和1.071秒与无缓解攻击条件相比分别减少了88%、69%和60%。在有缓解条件下仍存在少量残余异常值。尽管Sybil车辆已从车载DT中移除但真实攻击者车辆由于其较低的速度可能在攻击期间造成了交通拥堵。以显著性水平0.005进行了配对t检验以评估Sybil攻击的影响和缓解机制在30%、60%和90%交通密度下对TET的有效性。分析比较了同一组车辆在不同条件下的TET值即i无攻击与有攻击无缓解和ii有攻击无缓解与有攻击有缓解。使用配对t检验来解释相同车辆在不同场景下观测之间的依赖性。制定了两个方向性假设。对于第一个比较零假设 H0H0 假设攻击期间平均TET不增加即攻击不增加暴露于不安全条件的时间而备择假设 H1H1 检验攻击是否导致更高的平均TET。假设可表示为H0:μ无攻击≥μ有攻击无缓解H0:μ无攻击≥μ有攻击无缓解H1:μ无攻击μ有攻击无缓解H1:μ无攻击μ有攻击无缓解对于第二个比较零假设 H0H0 假设缓解不降低平均TET而备择假设 H1H1 评估缓解机制是否降低平均TET。对于第二个比较假设可表示为H0:μ有攻击无缓解≤μ有攻击有缓解H0:μ有攻击无缓解≤μ有攻击有缓解H1:μ有攻击无缓解μ有攻击有缓解H1:μ有攻击无缓解μ有攻击有缓解对于两个比较p值在所有交通条件下都非常小范围从 10−1110−11 到 10−6110−61导致两个零假设均被拒绝。这些发现表明Sybil攻击显著增加了不安全条件的持续时间而缓解机制显著减少了这种暴露。这些结果在不同交通密度下的一致性进一步支持了观察效果的鲁棒性。6.2.2 TIT分析为进一步评估不安全交通交互的严重性分析了TIT指标。与测量车辆经历的不安全条件持续时间的TET不同TIT通过对TTC值极小的情况赋予更大权重来捕获这些条件的严重性。图11显示了不同攻击条件和各种交通流量下TIT分布的箱线图。结果表明Sybil攻击在所有交通密度下显著增加了TIT值反映了对严重近碰撞事件的更高暴露。图11不同交通流量下无攻击、有攻击无缓解和有攻击有缓解条件下的TIT箱线图。在所有交通流量下平均TIT的增加尤为明显从无攻击条件下的1.792、3.551和4.734上升到道路容量30%、60%和90%交通流量下有攻击无缓解期间的6.786、8.686和10.970。在高密度交通条件下由于道路上虚假车辆导致的突然制动可能导致关键TTC因为后续车辆可能没有足够的空间导致更高的TIT值。此外高密度条件下有更多异常值。这表明在Sybil攻击期间车辆经历更严重的近碰撞事件。应用缓解框架后30%、60%和90%交通流量条件下的平均TIT分别降至1.911、3.694和4.972这些值接近无攻击条件下观察到的值。该框架还减少了异常值表明它可以有效降低许多车辆近碰撞事件的严重性。类似于TET的t检验分析以显著性水平0.005对TIT进行了配对t检验分析以比较i无攻击与有攻击无缓解和ii有攻击无缓解与有攻击有缓解条件下的累积碰撞风险。对于第一个比较条件零假设是攻击不增加相对于基线条件的平均TIT备择假设检验攻击是否确实增加平均TIT。对于第二个比较零假设假设缓解框架不降低有攻击无缓解的平均TIT备择假设检验缓解是否降低平均TIT。统计结果显示p值极小在所有交通密度下范围从 10−1010−10 到 10−3910−39。因此我们可以拒绝两个比较的零假设。这些发现表明Sybil攻击显著增加了近碰撞事件的严重性而基于DT的缓解机制显著减少了这种影响。6.2.3 延迟分析为评估Sybil攻击中检测虚假车辆的延迟考虑了延迟的两个组成部分a通信或传输延迟和b模型的处理延迟。通信延迟是BSM数据包通过C-V2X无线电信道从发送车辆到接收车辆所需的时间。这包括网络传输延迟和潜在排队延迟。传输延迟是BSM数据包从发送器发出后到达接收器无线电所需的时间。排队延迟是BSM数据包在接收器无线电缓冲区内花费的时间。Sybil攻击检测模型的处理延迟有两个组成部分a从BSM序列生成嵌入和b推理时间。图12显示了实验期间最佳性能模型的通信延迟和处理延迟的箱线图。图12a通信延迟和b最佳性能模型的处理延迟。在现场测试期间观察到的最大传输延迟为16.13毫秒中位值为2.385毫秒。模型的处理时间测量为从输入生成嵌入并产生预测所花费的总时间。此测量使用验证集和最佳性能模型参数进行。测量期间观察到最大处理时间为10.124毫秒中位值小于0.1毫秒。在最坏情况下端到端延迟为26.38毫秒这是从实验中获得的通信和处理延迟最大值之和。根据SAE J2735标准安全应用的最大允许延迟为100毫秒[7]我们的框架延迟即使在最坏情况下也远低于此阈值。6.2.4 计算资源消耗分析本研究开发的DT原型还对其计算资源消耗进行了评估。该框架在配备Intel Core i5-8250U处理器4核8线程和16 GB RAM的硬件系统上执行。仿真框架包括SUMO交通仿真器和基于Python的DT控制与分析脚本。运行时SUMO使用约40 MB内存Python脚本消耗约37 MB总计77 MB RAM不到可用RAM的0.5%。同时这两个组件的CPU使用率保持在2%以下。该模型在配备8GB RAM的V100 GPU上进行训练和测试。NVIDIA V100 GPU提供高性能计算加速Sybil攻击检测模型的推理过程与传统CPU处理相比显著减少了计算时间。所有指标均确认该框架在现代车载处理器如NVIDIA Jetson AGX Xavier、Jetson AGX Orin或类似处理器的能力范围内良好运行这些处理器具有针对高效AI推理优化的CUDA和Tensor Core[46, 47]。7 结论本研究提出了一个基于车载DT的碰撞预警框架具备Sybil攻击检测能力。通过结合TCN学习车辆轨迹数据中的时间模式和HNSW算法进行高效的基于相似性的分类该框架能够在不同交通条件下可靠识别Sybil车辆。结果表明模型有效利用时间上下文区分真实和虚假车辆同时在不同交通密度下保持稳定高效的收敛。研究结果进一步强调在密集交通环境中准确检测需要更多时间上下文然而模型在有限的训练轮次内收敛表明学习高效且计算开销低。利用虚假车辆检测能力我们的框架通过缓解Sybil攻击的不利影响增强了碰撞预警系统的可靠性从而在CV防碰撞环境中减少了近碰撞事件的暴露和严重性。统计分析结果也证实在不同交通密度下缓解方法能有效降低不安全事件的暴露和严重性。此外该框架满足实时安全应用的延迟要求同时保持与现代车载处理器兼容的低计算占用使其适合实际部署。我们方法的另一个关键优势在于其完全车载和去中心化设计。与依赖RSU或集中式基础设施的方法不同我们的框架在车辆内独立运行使其对通信问题如信号衰减或与RSU连接丢失具有弹性。此外通过消除对集中式检测机制的依赖该框架避免了单点故障风险从而在安全关键场景中提高了系统的鲁棒性和可靠性。总的来说我们的框架通过将Sybil攻击检测直接集成到碰撞预警过程中同时确保在多样化和动态交通环境中的弹性、可扩展性和可靠运行为增强车辆安全提供了鲁棒、高效和实用的解决方案。尽管Sybil攻击数据是通过现场实验收集的但应指出实验是在受控环境中进行的仅涉及两辆车在双车道公路上运行。此外我们在仿真期间考虑了道路上100%的CV。因此实验配置不能完全代表多车道道路上混合交通的变异性与复杂性其中真实车辆可能与Sybil车辆位置频繁重叠。未来工作将通过在实际多车辆交通条件下验证框架来解决这些局限性以更好地评估其鲁棒性和泛化性。
)
