车联网中基于数据的不良行为检测
本文提出了一种基于隐私保护机器学习的协作入侵检测系统(PML-CIDS),它可以通过应用分布式机器学习算法,实现 VANET 的高效安全检测,并通过差分隐私技术保护数据的隐私性。
May, 2020
提出了一种针对车辆自组织网络中恶意行为的实时检测系统,通过集成统计学和机器学习技术,以简单高效的方式快速检测攻击并识别恶意车辆,同时运用联邦学习提高隐私性和恶意节点检测的效率,以降低误报率。
Jan, 2024
我们提出了一个基于机器学习的方法来检测车辆自组网(VANET)中的黑洞攻击,并评估了各种机器学习算法的有效性,结果表明这些算法在区分正常节点和恶意节点方面是有效的。我们的研究结果强调了机器学习方法在增强 VANET 安全性方面的潜力。
Jan, 2024
我们研究了协同感知在连接和自动驾驶车辆(CAVs)中的应用,并提出一种安全分析及应对措施,以识别和减轻由恶意参与者利用虚假数据对感知结果进行干扰的问题。通过真实和模拟场景的实验,我们证明了我们的攻击方式具有较高的成功率,并提出了系统的异常检测方法,可以在一定程度上缓解恶意攻击在现实场景中的影响。
Sep, 2023
本文提出一种多层次混合式 IDS,其结合基于签名的 IDS 和基于异常的 IDS,以检测车载网络上已知和未知攻击,实验结果表明,该系统能够以 99.99%的准确度检测到各种类型的已知攻击,并且对于新攻击检测也非常有效。
May, 2021
本文提出一种分散式数据融合和主动探测算法来进行实时的精细化移动需求感知并预测移动需求;并基于高斯过程的算法来解决预测性能和时间效率的平衡,并探讨了该算法可以使用机器人共享车辆在 MoD 系统中进行需求预测的问题。
Jun, 2013
研究数据辅助感知在无线传感器网络中的应用,提出一种基于 J - 差异的节点选择方法,以实现可靠决策。研究结果表明,相对于其他方法,基于 J - 差异的节点选择方法可以使用更少的传感器实现可靠决策。
Nov, 2020
给定一个道路网络和一组轨迹数据,本文介绍了一种可以表示详细时空轨迹数据的边属性矩阵,并识别异常驾驶行为的方法。实验结果表明,该方法能够有效地识别异常驾驶行为。
Nov, 2023