Towards Misbehavior Intelligent Detection Using Guided Machine Learning in Vehicular Ad-hoc Networks (VANET)

Abstract

C-ITS (Cooperative Intelligent Transport Systems) est une nouvelle technologie qui contribue à la réduction des accidents de la circulation et à l'amélioration de la sécurité routière. VANET ( V ehicular A d hoc Networks) sont un système STI basé sur la communication inter-véhicules par la transmission de messages de sécurité de base (BSM), qui sont vulnérables à une variété de comportements inappropriés. Pour résoudre ce défi, nous avons développé dans cet article un système de détection de mauvais comportement (MDS) basé sur une approche d'apprentissage automatisé pour identifier et catégoriser les messages de mauvais comportement délivrés par un véhicule sur les VANET à l'aide de la base de données d'extension VeReMi. Cette étude examine différents types de classification : dans la classification binaire, toutes sortes d'inconduites ont été regroupées en une seule catégorie « inconduite » ; cependant, dans la classification multi-classes pour trois classes, la mauvaise conduite a été divisée en deux classes : les attaques et les fautes. Le classificateur a des problèmes substantiels lors de l'apprentissage à partir de données déséquilibrées wLorsque vous travaillez avec des problèmes multi-classes, cela devient considérablement plus complexe. Les relations entre les catégories ne sont plus bien définies et il est facile de perdre en efficacité dans une classe tout en s'améliorant dans une autre. En conséquence, les résultats ne sont pas cohérents dans l'approche d'apprentissage classique pour la classification multi-classes lors de la classification des comportements répréhensibles dans différents types de classes de comportements répréhensibles. Pour résoudre ce problème, nous avons développé une approche nouvelle et puissante appelée "Approche d'apprentissage guidé pour la classification multi-classes" pour réduire le nombre de classes en combinant des comportements inappropriés comparables en un seul. Selon les résultats, le classificateur Random Forest surpasse les autres classificateurs.