梁樂(lè)威，陳宇峰，向鄭濤，游康祥，周旭

（1.湖北汽車工業(yè)學(xué)院電氣與信息工程學(xué)院，湖北十堰 442002；2.湖北汽車工業(yè)學(xué)院汽車工程師學(xué)院，湖北十堰 442002）

近年來(lái)，隨著網(wǎng)絡(luò)通信技術(shù)與智能交通系統(tǒng)的快速發(fā)展，車載自組織網(wǎng)絡(luò)（Vehicular Ad Hoc Network,VANET）愈發(fā)受到廣泛的關(guān)注[1]。VANET作為一種快速組網(wǎng)技術(shù)，用于實(shí)現(xiàn)車聯(lián)網(wǎng)環(huán)境下的車與車通信（V2V）、車與路側(cè)單元通信（V2R）、車與行人通信（V2P）等，使得車輛能夠感知視距范圍外的交通信息，從而很大程度上減少了交通事故，提高了交通效率和安全性[2]。

在車聯(lián)網(wǎng)環(huán)境中，車輛間通過(guò)廣播基礎(chǔ)安全消息（Basic Safety Message,BSM）或合作感知信息（Cooperative Awareness Message，CAM）幫助駕駛員做出及時(shí)準(zhǔn)確的駕駛決策，2 種信標(biāo)消息都包含相同的內(nèi)容（包括發(fā)送車輛的位置和行駛狀態(tài)）[3]。然而，由于車輛的高速移動(dòng)性、網(wǎng)絡(luò)拓?fù)涞膭?dòng)態(tài)變化性以及無(wú)線信道的開(kāi)放性等，車載自組織網(wǎng)絡(luò)的部署面臨著多種網(wǎng)絡(luò)安全問(wèn)題和挑戰(zhàn)[4]。此外，由于VANET 缺乏相應(yīng)的安全基礎(chǔ)設(shè)施，車聯(lián)網(wǎng)中的內(nèi)部節(jié)點(diǎn)容易遭受多種網(wǎng)絡(luò)攻擊[5]，如拒絕服務(wù)攻擊、虛假信息欺騙攻擊等[6]。在欺騙攻擊中，被攻擊車輛通過(guò)廣播虛假消息誤導(dǎo)周邊車輛，極容易造成嚴(yán)重的交通事故。此類網(wǎng)絡(luò)攻擊往往無(wú)法使用消息加密技術(shù)進(jìn)行防范，因?yàn)槠浒l(fā)生在VANET 的內(nèi)部。這些節(jié)點(diǎn)是經(jīng)過(guò)合理認(rèn)證的內(nèi)部成員，擁有有效的網(wǎng)絡(luò)訪問(wèn)密鑰憑證[7]，能夠在網(wǎng)絡(luò)中傳輸合法信息并進(jìn)行通信。因此，需要利用攻擊檢測(cè)系統(tǒng)對(duì)聯(lián)網(wǎng)車輛的信標(biāo)消息進(jìn)行檢驗(yàn)，過(guò)濾不合理消息，進(jìn)而起到保障車輛網(wǎng)絡(luò)安全的效果。

現(xiàn)有的攻擊檢測(cè)機(jī)制可歸結(jié)為2種類型：以數(shù)據(jù)為中心、以節(jié)點(diǎn)為中心。以數(shù)據(jù)為中心的檢測(cè)機(jī)制對(duì)信標(biāo)消息的數(shù)據(jù)語(yǔ)義進(jìn)行可信度評(píng)估，以確保傳輸數(shù)據(jù)的正確性和連續(xù)性。以數(shù)據(jù)為中心的檢測(cè)方案可以使用統(tǒng)計(jì)學(xué)習(xí)或機(jī)器學(xué)習(xí)的方法對(duì)數(shù)據(jù)進(jìn)行分類。在以節(jié)點(diǎn)為中心的方法中，通過(guò)分析消息的格式和數(shù)據(jù)包頻率，持續(xù)檢測(cè)VANET 內(nèi)部節(jié)點(diǎn)的轉(zhuǎn)發(fā)行為[8]。以節(jié)點(diǎn)為中心的檢測(cè)機(jī)制可以通過(guò)運(yùn)用行為機(jī)制和基于信譽(yù)值的機(jī)制進(jìn)行?；谛抛u(yù)值的檢測(cè)方法需要車輛間進(jìn)行長(zhǎng)期的互動(dòng)，檢測(cè)系統(tǒng)無(wú)法對(duì)攻擊行為進(jìn)行及時(shí)且快速的檢測(cè)。因此，現(xiàn)有的大多數(shù)檢測(cè)方法主要基于數(shù)據(jù)進(jìn)行攻擊檢測(cè)。

Ercan等人[9]針對(duì)不同車輛密度下的位置欺騙攻擊，分別使用KNN、隨機(jī)森林及其組合形式對(duì)攻擊進(jìn)行檢測(cè)。算法檢測(cè)性能整體較好，但對(duì)攻擊樣本的數(shù)據(jù)量要求較高。Zeng 等人[10]提出了一種深度學(xué)習(xí)方法，將車輛的惡意流量數(shù)據(jù)轉(zhuǎn)換成像素?cái)?shù)據(jù)，作為特征輸入處理。實(shí)驗(yàn)結(jié)果表明，深度學(xué)習(xí)模型可以有效識(shí)別如DoS攻擊等流量異常的數(shù)據(jù)。Grover 等人[11]討論了用于車聯(lián)網(wǎng)入侵檢測(cè)的幾種深度學(xué)習(xí)算法，結(jié)果表明使用四層堆疊LSTM模型效果較優(yōu)。

基于機(jī)器學(xué)習(xí)的檢測(cè)方案對(duì)攻擊樣本的需求量過(guò)高，而現(xiàn)實(shí)中對(duì)攻擊樣本的記錄不足，難以提供足夠的數(shù)據(jù)訓(xùn)練分類模型[12]。而單一的深度學(xué)習(xí)算法對(duì)數(shù)據(jù)特征的提取能力有限，無(wú)監(jiān)督學(xué)習(xí)算法無(wú)法充分攻擊樣本的已知特征。此外，在車聯(lián)網(wǎng)環(huán)境下，聯(lián)網(wǎng)車輛的時(shí)空信息是表征車輛行為的重要特征，因此，使用的檢測(cè)模型需要充分提取車輛的時(shí)間和空間特征。

針對(duì)以上問(wèn)題，提出一種基于CNN-LSTM 的監(jiān)督組合深度學(xué)習(xí)檢測(cè)模型，主要作用為：

（1）該模型基于CNN-LSTM 的深度學(xué)習(xí)攻擊檢測(cè)技術(shù)，通過(guò)一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)的空間特征進(jìn)行提取，并結(jié)合長(zhǎng)短時(shí)記性網(wǎng)絡(luò)提取信標(biāo)消息中的時(shí)間序列特征，以充分挖掘攻擊數(shù)據(jù)集的時(shí)空信息。

（2）該模型使用VeReMi Extension 數(shù)據(jù)集[13]對(duì)VANET 中的欺騙攻擊進(jìn)行檢測(cè)（速度欺騙與位置欺騙）。將檢測(cè)結(jié)果與單一的CNN、LSTM 模型和傳統(tǒng)的機(jī)器學(xué)習(xí)算法KNN、SVM進(jìn)行對(duì)比，在精確率、召回率和F1分值上均有所改善。

1 CNN-LSTM攻擊檢測(cè)模型

1.1 VANET欺騙攻擊原理

VANET 中存在多種攻擊行為，針對(duì)城市場(chǎng)景下的位置欺騙攻擊與速度欺騙攻擊進(jìn)行檢測(cè)，其攻擊原理如圖1 所示。紅色車輛向其通信范圍內(nèi)的正常車輛發(fā)送虛假的位置和速度信息，從而形成虛假的行駛軌跡。未具備入侵檢測(cè)系統(tǒng)的正常車輛無(wú)法判別信標(biāo)消息的真實(shí)性，誤以為前方的虛假車輛是真實(shí)車輛，進(jìn)而影響自身的正常行駛。

圖1 欺騙攻擊原理圖

1.2 模型框架

在車聯(lián)網(wǎng)環(huán)境下使用的基于CNN-LSTM的攻擊檢測(cè)模型，整體框架如圖2所示。

1.2.1 數(shù)據(jù)預(yù)處理

首先，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，當(dāng)樣本特征的尺度差異較大時(shí)，取值較大的特征會(huì)起到主導(dǎo)作用，為提高訓(xùn)練效率，需要將各個(gè)維度的特征轉(zhuǎn)換到同一范圍內(nèi)，并消除不同特征的相關(guān)性，才能獲得比較理想的結(jié)果。使用Z-score 歸一化方法對(duì)原始數(shù)進(jìn)行處理，如公式（1）所示：其中：μ 為所有樣本數(shù)據(jù)的均值；σ 為所有樣本的標(biāo)準(zhǔn)差。在特征選取階段，本實(shí)驗(yàn)針對(duì)2種特定的攻擊進(jìn)行檢測(cè)，故選用車輛的位置、速度與加速度作為輸入特征，其在序列中用二維坐標(biāo)分別表示為：，即輸入為6 維向量的序列。

1.2.2 模型搭建與分類輸出

系統(tǒng)框架使用CNN-LSTM的組合深度學(xué)習(xí)模型。CNN 是一種深層前饋神經(jīng)網(wǎng)絡(luò)，具有稀疏連接、參數(shù)共享等特征。一維卷積從序列數(shù)據(jù)中沿時(shí)間維度選擇序列段，并對(duì)每個(gè)序列段執(zhí)行相同的變換[14]，常用于處理一維序列數(shù)據(jù)。使用車輛信標(biāo)消息中的位置、速度與加速度作為序列輸入，對(duì)信標(biāo)數(shù)據(jù)進(jìn)行一維卷積操作，如圖3所示。

使用帶有5 個(gè)卷積核的一維卷積層，對(duì)輸入序列進(jìn)行變量維度上的一維卷積操作，計(jì)算方法如公式（2）所示：

其中：X 為輸入數(shù)據(jù)向量；W 為卷積核權(quán)重矩陣；b 為參與計(jì)算的偏置向量；f 為卷積計(jì)算的激活函數(shù)[15]。

完成一維卷積的特征提取后，將處理結(jié)果作為4層堆疊LSTM層的輸入。LSTM的記憶單元結(jié)構(gòu)如圖4所示。

圖4 LSTM神經(jīng)網(wǎng)絡(luò)細(xì)胞結(jié)構(gòu)圖

LSTM 的細(xì)胞狀態(tài)由遺忘門(mén)ft、輸入門(mén)it、輸出門(mén)ot控制。在t時(shí)刻,3 個(gè)門(mén)的更新計(jì)算方法如公式（3）~（5）所示：

其中：W和b分別為權(quán)重和偏置量；ht-1為前一個(gè)細(xì)胞的輸出；xt為當(dāng)前細(xì)胞的輸入；σ為sigmoid激活函數(shù)；ct為將xt和ht-1的狀態(tài)信息進(jìn)行整合的狀態(tài)量；Ct為當(dāng)前時(shí)刻的狀態(tài)；Ct-1為上一時(shí)刻的狀態(tài)；ht表示隱藏層輸出值。

系統(tǒng)框架使用4層堆疊LSTM對(duì)數(shù)據(jù)特征進(jìn)行提取，每層使用256個(gè)神經(jīng)元。輸出端連接帶有2個(gè)節(jié)點(diǎn)的分類層（Dense），用于匯聚網(wǎng)絡(luò)信息，將輸入序列分類為攻擊或正常類別。添加Dropout層可以有效地緩解模型的過(guò)擬合現(xiàn)象，在一定程度上達(dá)到正則化的效果。卷積層與LSTM層均使用整流線性單元作為激活函數(shù)。經(jīng)過(guò)一維卷積與4層堆疊LSTM的融合處理后，將輸入的數(shù)據(jù)分類為正常或攻擊。整體模型的訓(xùn)練與權(quán)重選取使用自適應(yīng)矩估計(jì)法（Adam）進(jìn)行優(yōu)化，規(guī)避學(xué)習(xí)速率單一問(wèn)題。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境為Windows 10操作系統(tǒng)，硬件配置為AMD Ryzen CPU@3.2 GHz，內(nèi)存16 GB，基于TensorFlow使用Keras深度學(xué)習(xí)框架搭建和Python 3.7編程語(yǔ)言，完成所有仿真實(shí)驗(yàn)。

2.2 評(píng)估指標(biāo)

實(shí)驗(yàn)使用準(zhǔn)確率（Precision）、召回率(Recall)和F1 這3 個(gè)指標(biāo)對(duì)模型的檢測(cè)性能進(jìn)行評(píng)估，計(jì)算方法如公式（6）~（8）所示：

其中：TP、FP、TN、FN的定義如表1所示。衡量攻擊數(shù)據(jù)集中的數(shù)據(jù)不平衡問(wèn)題，使用準(zhǔn)確率無(wú)法很好地評(píng)估一個(gè)模型的優(yōu)劣，而精確率和召回率在這種情況下的表現(xiàn)將會(huì)更加突出。精確率表明分類器區(qū)分正常行為和異常行為的能力，擁有較高的精確率表明分類器具有較低的誤報(bào)率。召回率表明分類器對(duì)異常行為的檢測(cè)能力，擁有較低的召回率表明該攻擊較難被檢測(cè)出來(lái)；F1是精確率和召回率的調(diào)和平均數(shù)，可以較好地表示分類器的整體能力。

表1 混淆矩陣表

2.3 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)集使用VeReMi Extension 攻擊數(shù)據(jù)集，其數(shù)據(jù)在SUMO[16]（Simulation of Urban Mobility）交通仿真軟件與網(wǎng)絡(luò)仿真軟件OMNET++[17]下的VEINS車聯(lián)網(wǎng)框架中采集。其中，SUMO交通場(chǎng)景選取Luxembourg SUMO（LuST）提供的車輛軌跡，其路網(wǎng)結(jié)構(gòu)如圖5所示。

圖5 Luxembourg SUMO路網(wǎng)

該數(shù)據(jù)集包含多種攻擊類型，選取其中的速度欺騙攻擊與位置欺騙攻擊進(jìn)行模型驗(yàn)證。2 種欺騙攻擊所產(chǎn)生的車輛信標(biāo)消息經(jīng)可視化處理后如圖6 和圖7 所示。其中，藍(lán)色表示正常數(shù)據(jù)，紅色表示異常數(shù)據(jù)。圖6 表示速度欺騙攻擊，攻擊車輛廣播的速度值異常，表現(xiàn)為離群點(diǎn)，但位置信息與圖6 中的路網(wǎng)結(jié)構(gòu)相符，表現(xiàn)為正常數(shù)據(jù)。圖7 表示位置欺騙攻擊，車輛廣播的位置坐標(biāo)偏離正常的車輛位置消息，但速度信息的整體分布集中，故表現(xiàn)為速度數(shù)據(jù)正常。數(shù)據(jù)集總共包含106 885 條信標(biāo)消息，選取80%作為訓(xùn)練集，20%作為測(cè)試集。

圖6 速度欺騙攻擊數(shù)據(jù)可視化圖

圖7 位置欺騙攻擊數(shù)據(jù)可視化圖

2.4 參數(shù)設(shè)置

使用的CNN-LSTM 模型選擇Adam 優(yōu)化器對(duì)模型進(jìn)行訓(xùn)練，并選用交叉熵作為損失函數(shù)觀察模型的擬合效果，通過(guò)多次實(shí)驗(yàn)，得出本文所用模型的參數(shù)設(shè)置，如表2所示。

表2 CNN-LSTM模型參數(shù)設(shè)置

2.5 實(shí)驗(yàn)結(jié)果及分析

為了更全面地分析模型的檢測(cè)性能，本實(shí)驗(yàn)選取精確率、召回率和F1 分值對(duì)模型進(jìn)行評(píng)估。為了更直觀地體現(xiàn)本文所用模型的有效性，選用單一的CNN 與單一的LSTM 作對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖8、圖9所示。

圖8 基于CNN-LSTM實(shí)驗(yàn)的混淆矩陣圖

圖9 CNN和LSTM對(duì)比實(shí)驗(yàn)混淆矩陣圖

根據(jù)混淆矩陣可以計(jì)算出3種模型的檢測(cè)結(jié)果，此外，實(shí)驗(yàn)還對(duì)比了常見(jiàn)的機(jī)器學(xué)習(xí)算法KNN與SVM。從表3中可以看出，CNN-LSTM、單一CNN與單一LSTM，3種實(shí)驗(yàn)?zāi)Ｐ驮诰_率指標(biāo)上都表現(xiàn)出較高的數(shù)值，分別為97.2%、97.1%、95.3%，體現(xiàn)了深度學(xué)習(xí)模型在該數(shù)據(jù)集檢測(cè)上的有效性。在召回率與F1分值上，CNN-LSTM模型明顯高于其他2種單一深度學(xué)習(xí)模型與2種機(jī)器學(xué)習(xí)模型，分別達(dá)到了最高的95.0%與96.1%。其中，傳統(tǒng)的2種機(jī)器學(xué)習(xí)算法KNN與SVM的各項(xiàng)檢測(cè)性能都比其他3種差。

表3 5種算法實(shí)驗(yàn)結(jié)果對(duì)比

在各項(xiàng)綜合檢測(cè)指標(biāo)上，本文所提的CNNLSTM 模型要優(yōu)于其他4 種模型算法，比CNN、LSTM、KNN 和SVM 模型在召回率上分別提升了8.7%、6.1%、12.2%和15.2%，在F1 分值上分別提升了4.6%、4.1%、8.8%和10.7%。其中，由于數(shù)據(jù)集的不平衡性，在精確率指標(biāo)上，CNN-LSTM算法與單一的2 種深度算法CNN 和LSTM 在數(shù)值上基本持平，但高于2 種機(jī)器學(xué)習(xí)算法KNN 和SVM。由表3 可知，本文方案的分類精確率最高，且召回率和F1的分值最高。

在對(duì)CNN-LSTM 模型的訓(xùn)練中，使用攻擊數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，充分利用攻擊數(shù)據(jù)的有效特征，最大程度避免了對(duì)正常數(shù)據(jù)的誤判與對(duì)異常數(shù)據(jù)的漏判。本文使用的基于CNN-LSTM的監(jiān)督模型更加符合車聯(lián)網(wǎng)攻擊檢測(cè)模型對(duì)可靠性的需求。

單個(gè)一維CNN 與單個(gè)LSTM 的檢測(cè)性能較差，因?yàn)镃NN 僅對(duì)數(shù)據(jù)的空間特征進(jìn)行提取，而LSTM模型側(cè)重與信標(biāo)消息的時(shí)序特征進(jìn)行學(xué)習(xí)，兩者均有短板。而在車聯(lián)網(wǎng)環(huán)境下，車輛的行駛狀態(tài)如速度與位置等在時(shí)間與空間上存在較大的關(guān)聯(lián)性，因此，使用單一的深度學(xué)習(xí)模型與傳統(tǒng)的機(jī)器學(xué)習(xí)模型無(wú)法充分提取數(shù)據(jù)集的時(shí)空信息。而本文使用的CNN-LSTM組合模型通過(guò)一維卷積層與堆疊的LSTM 層對(duì)數(shù)據(jù)樣本的時(shí)空信息進(jìn)行了提取，并將其作為分類特征，故在應(yīng)對(duì)攻擊消息時(shí)能體現(xiàn)出較好的檢測(cè)性能。

3 結(jié)語(yǔ)

針對(duì)車聯(lián)網(wǎng)環(huán)境中車輛面臨的網(wǎng)絡(luò)安全問(wèn)題，通過(guò)對(duì)VANET中的速度與位置欺騙攻擊進(jìn)行分析，構(gòu)建多層深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)CNN-LSTM，選取最新的攻擊數(shù)據(jù)集，并對(duì)比常見(jiàn)的深度學(xué)習(xí)與機(jī)器學(xué)習(xí)算法，用精確率、召回率和F1 分值對(duì)模型的檢測(cè)性能進(jìn)行綜合評(píng)估。實(shí)驗(yàn)表明，使用基于CNN-LSTM的組合深度學(xué)習(xí)模型相較于傳統(tǒng)的機(jī)器學(xué)習(xí)算法與單一的深度學(xué)習(xí)算法在各項(xiàng)檢測(cè)指標(biāo)上都具有更好的數(shù)值結(jié)果。

本文方案仍存在對(duì)數(shù)據(jù)利用不夠充分的問(wèn)題，系統(tǒng)模型存在一定的改進(jìn)空間。下一步的主要目標(biāo)是在模型中加入更多種類的攻擊類型，并對(duì)檢測(cè)時(shí)間進(jìn)行量化，以滿足車聯(lián)網(wǎng)環(huán)境下的檢測(cè)實(shí)時(shí)性和可靠性，做到更全面的攻擊檢測(cè)。