Machine Learning Approach to False Alert Attack Detection in Vehicular Adhoc Networks
Notice bibliographique
Résumé
The expansion of Intelligent Transportation Systems (ITS) and their integration into Vehicular Adhoc Networks (VANETs) bring a number of critical safety and security concerns. Among many is the false reporting attack, in which a malicious actor sends adversarial messages to fabricate artificial traffic incidents. To ensure safety and reliability, addressing false alert attacks is particularly crucial due to the potential danger that this type of attack poses. False alerts may cause vehicles to take unnecessary evasive maneuvers to avoid non-existent hazards, which might lead to accidents and endanger the safety of drivers, passengers, and other road users. In this research, we aim to address this threat of false alert attacks in VANETs by using the VeReMiAP Dataset (a VeReMi-based dataset) as a benchmark and develop machine learning (ML) models and approaches to detect and mitigate false alert attacks in VANETs. The methodology includes a detailed analysis of the dataset, feature engineering in conjunction with plausibility, and the use of state-of-the-art ML models for detection. The research findings show that the proposed approach can effectively detect false alert attacks in VANETs. The results show that this approach is effective for detecting the attack with high accuracy and F1 score. The research also provides insights into the performance of different ML models and the importance of feature engineering in detecting false alert attacks. The research findings can be used to develop more robust and reliable security mechanisms to ensure the safety and security of road users.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».