文獻速讀
Transport. Res. C-Emer. ：基于固定傳感器數據的在線交通網絡攻擊檢測
題目
Online transportation network cyber-attack detection based on stationary sensor data
基于固定傳感器數據的在線交通網絡攻擊檢測
關鍵詞
網絡攻擊檢測；交通運輸網絡；傳感器定位；機器學習
來源
出版年份：2023年
來源：Transportation Research Part C: Emerging Technologies
課題組：美國南卡羅來納大學Yuche Chen課題組
第一作者：美國橡樹嶺國家實驗室孫瑞霄博士后
研究背景
數字化和交互性已成為現(xiàn)代交通系統(tǒng)的核心特征。這些系統(tǒng)依賴于多種先進技術，涵蓋了從利用實時數據優(yōu)化交通流量的智能交通管理系統(tǒng)，到GPS和先進的駕駛員輔助系統(tǒng)（ADAS）等車載技術，再到云服務（如叫車和交通信息應用）等各種元素。目前，新興技術如自動駕駛系統(tǒng)（ADS）和車對萬物（V2X）通信技術，有望徹底改變交通領域，但同時極大地增加了交通系統(tǒng)復雜性和數字互聯(lián)性。這種轉向數字化和互聯(lián)互通的趨勢為交通系統(tǒng)帶來了諸多利益。首先，極大地提高了效率。通過實時收集和處理大量交通數據，智能交通管理系統(tǒng)可動態(tài)調整交通規(guī)則，如動態(tài)收費定價和擁擠收費區(qū)，以優(yōu)化道路使用和交通流量。其次，一定程度提高了道路交通的人身安全性。例如，ADAS和其他車載系統(tǒng)可幫助預防事故，而實時交通信息和警報可幫助司機更好地應對路況變化。最后，提高了便捷性。出行者可利用各種手機應用，如叫車服務和交通信息應用，輕松規(guī)劃旅行，減少了在路上的不便和不確定性。
研究出發(fā)點
現(xiàn)代交通系統(tǒng)這種依賴數字技術的趨勢也帶來了新挑戰(zhàn)，其中最主要的是網絡安全性問題。由于交通系統(tǒng)中的許多數據是未加密的，惡意攻擊者可輕易篡改這些數據，對系統(tǒng)造成破壞。最常見的例子是GPS導航系統(tǒng)欺騙。由于GPS信號未加密，攻擊者可通過模擬假GPS信號，使系統(tǒng)誤認為某一路段出現(xiàn)擁堵，從而誤導其他用戶改變路線。另外，還存在諸如篡改道路傳感器數據、操控交通信號等更多攻擊方式。因此，對交通系統(tǒng)安全性進行保護，防止上述惡意攻擊，已成為一個重要研究課題。
研究內容
本文圍繞現(xiàn)代交通系統(tǒng)中的網絡安全問題，尤其是針對GPS系統(tǒng)的潛在攻擊，以及這些攻擊對交通網絡的影響。本文首先假設存在一種普遍類型的惡意網絡攻擊，通過修改GPS導航系統(tǒng)交通信息，為部分黑客牟利。為了解決這一問題，本文設計了一個可能的黑客攻擊模型，黑客可在選擇的道路段上配置一隊虛擬的、低速度的車輛，以改變在行程規(guī)劃器（如云源地圖）上顯示的道路條件。雖然攻擊者無法直接侵入規(guī)劃器，但可間接地欺騙行駛到目的地時間和模擬網絡級別的交通擁堵。在此背景下，本文提出了一種基于自編碼器-長短期記憶神經網絡的框架，利用實時道路傳感器數據進行在線數據驅動的交通網絡異常檢測。此外，還開發(fā)了一個多目標優(yōu)化方法，配合元啟發(fā)式算法來優(yōu)化道路傳感器位置，以提高異常檢測有效性和最大化交通信息收益。本文使用城市規(guī)模的微觀交通模擬驗證了提出的網絡攻擊檢測框架，驗證結果展示了良好的網絡攻擊異常監(jiān)測能力，有望更好地保護交通基礎設施免受惡意網絡黑客攻擊。
圖1 一個對交通網絡進行網絡攻擊的例子（橙色箭頭表示黑客操縱；藍色箭頭表示正常旅客行為；綠色箭頭顯示了異常檢測過程）
圖2 田納西州查塔努加市的路網圖（紅線代表被黑客攻擊路段；灰線表示未被攻擊路段；綠點表示道路傳感器位置）
圖3 黑客、非黑客和所有旅客的平均旅行時間因黑客攻擊而發(fā)生的變化：（a）隨異常等級的影響；（b）隨黑客百分比的影響
圖4 本文提出的自編碼器-長短期記憶神經網絡道路異常檢測框架
圖5 正常、異常兩個類別的檢測結果和F1分數分布例子（F1分數是統(tǒng)計學中用來衡量分類模型精確度的一個指標）
圖6 使用自編碼器-長短期記憶網絡檢測模型針對采樣道路傳感器數據序列進行的實驗
圖7 用于道路傳感器位置選擇的元啟發(fā)式多目標優(yōu)化算法：帶精英策略的非支配排序遺傳算法
圖8 （a）從最優(yōu)帕累托前沿面選擇的最佳折衷方案；（b）現(xiàn)有和新增道路傳感器在地圖上最佳位置
主要結論
本文提出了一種數據驅動的交通網絡異常檢測，利用廣泛可用的道路傳感器數據來識別黑客對GPS導航系統(tǒng)的惡意攻擊。本文開發(fā)了基于自動編碼器-長短期記憶神經網絡的異常檢測方法，可隨實時交通數據動態(tài)更新訓練數據，其F1得分可達90%以上，且隨訓練數據量增加，性能提高。此外，本文還研究了道路交通傳感器位置選擇和擴展優(yōu)化問題。具體來說，開發(fā)了一個基于帶精英策略的非支配排序遺傳算法的多目標優(yōu)化模型，優(yōu)化選擇和擴展傳感器網絡，以提高可能的網絡攻擊異常檢測效率，并最大化正常交通管理的交通信息收益。
本文使用交通仿真平臺SUMO構建了城市規(guī)模的微觀交通仿真模型，基于真實的出行數據驗證了本文提出的交通網絡異常檢測框架。結果表明該框架有望幫助交通部門和安全機構識別潛在的安全威脅，保護交通基礎設施免受惡意網絡攻擊的侵害。
