Attack Endgame: Proactive Security Approach for Predicting Attack Consequences in VANET
Notice bibliographique
Résumé
In the fast dynamic environment of Vehicle Ad Hoc Networks (VANETs), proactive security measures are necessary. Reactive security has been VAVNETs' guardian angel for some time, but now it is insufficient against current security attacks. Attack prediction is a promising solution capable of keeping up with the recent cyber security challenges. First, we need to understand where prediction fits in the attack process. To accomplish this, we introduce an attack life cycle in a VANET and exploit the proactive and retroactive phases. One of the proactive phases is the after-effect of the attack or what we call attack endgame. We use the Framework for Misbehavior Detection (F2MD) to simulate an attack effect with adverse side effects on road traffic. We implement traffic warning messages in F2MD. Then, we create attacks on these messages, namely “fake accident”, and simulate the effect of these attacks on the vehicles while capturing the results using F2MD. We simulate the impact of acting on these messages or the attack endgame, which manifested in creating hazards. We use Recurrent Neural Network (RNN) models to predict the endgame of the fake accident attack on the road. We experiment with vanilla artificial neural network solutions to create a baseline. Afterward, we use Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU) to build a stacked RNN model to predict the attack endgame at different time windows. They effectively predict the occurrence of a hazard up to 3.5 minutes ahead with over 80% accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».