Схема на основе машинного обучения для повышения обнаружения атак с фальсификацией местоположения в автомобильных ad hoc сетях

Умные автомобили, выслеживающие мошенников

Современные автомобили начинают общаться друг с другом, предупреждая о резком торможении, близких авариях или перекрытых полосах. Эти беспроводные «разговоры» могут сделать дороги безопаснее, но только если передаваемая информация честна. В исследовании рассматривается серьёзная проблема: что происходит, когда автомобиль лжёт о своём местоположении? Авторы показывают, как специализированный метод машинного обучения способен обнаруживать автомобили, подделывающие свою позицию, делая сети подключённых автомобилей более надёжными и потенциально предотвращая аварии, вызванные ложными данными.

Почему врутящие автомобили так опасны

Транспортные средства в так называемых автомобильных ad hoc сетях постоянно транслируют короткие сообщения о безопасности, содержащие их местоположение, скорость и направление. Близлежащие автомобили и дорожные узлы используют этот поток обновлений, чтобы решать, когда предупреждать водителей или запускать автоматические реакции. Если злонамеренный автомобиль сообщает ложную позицию, он может ввести других в заблуждение, заставив их тормозить, перестраиваться или менять маршрут без необходимости. В худшем случае это может помешать своевременной подаче предупреждения о столкновении. Поскольку автомобили быстро движутся и соединения постоянно меняются, обнаружение такого неверного поведения затруднено, и существующие методы всё ещё пропускают слишком много атак.

Преобразование радиосигналов в признак доверия

Основная идея статьи — сверить заявленную автомобилем позицию с тем, что тихо раскрывает радиосигнал. Каждое беспроводное сообщение приходит с измеряемой мощностью сигнала. В целом сигналы ослабевают с ростом расстояния, хотя реальные улицы вносят шум через отражения, здания и трафик. Вместо того чтобы наивно переводить мощность сигнала в точное расстояние, авторы сначала изучают множество честных сообщений, чтобы узнать, насколько сильным сигнал обычно бывает на разных дистанциях. Для каждой дистанционной полосы они вычисляют три вложенные зоны правдоподобных значений сигнала: узкий, средний и широкий диапазон уверенности. Когда приходит новое сообщение, система проверяет, попадает ли его сигнал в один из этих диапазонов для заявленной дистанции, и назначает простой балл доверия — от явно правдоподобного до сильно подозрительного.

Обучение цифрового леса распознавать подделки

Самой мощности сигнала недостаточно, поэтому авторы объединяют этот балл доверия с другой простой информацией из сообщений о безопасности — например, с заявленным положением и скоростью автомобиля, их изменениями во времени и фактическим расстоянием между отправителем и приёмником. Из этих данных они формируют три альтернативных набора входных признаков и обучают несколько распространённых алгоритмов машинного обучения на общедоступном наборе данных, моделирующем реалистичное движение и пять типов подделки позиции. Среди протестированных моделей техника, называемая случайным лесом — по сути комитет из многих простых деревьев решений — в сочетании с одним конкретным набором признаков дала наилучший баланс точности и скорости. Она правильно определяла почти все сообщения с поддельной позицией для всех типов атак, при этом вычислительная нагрузка оставалась достаточно низкой для использования прямо в движущихся автомобилях.

Проверка нового признака в деле

Чтобы показать, что их основанный на сигнале балл доверия действительно даёт прирост, исследователи сравнили полную модель с версией, использующей точно ту же информацию за исключением этого нового признака. Оценённая на отдельном прогоне симуляции, которого модель никогда не видела ранее, полная модель оставалась заметно точнее, особенно для атак, в которых автомобиль постоянно транслирует одну фиксированную ложную позицию или притворяется внезапной остановкой. В некоторых таких случаях улучшение по ключевому показателю производительности было драматичным, то есть система пропускала значительно меньше вредоносных сообщений без существенного роста ложных тревог. Статистические тесты подтвердили, что разница между моделями не является случайной.

Что это означает для более безопасных дорог

С точки зрения неспециалиста работа показывает: автомобили могут использовать естественное поведение радиосигналов как независимую проверку того, что соседние транспортные средства заявляют о себе. Включив эту проверку в лёгкую модель машинного обучения, запускаемую на каждом автомобиле, система может значительно надёжнее выявлять лживые транспортные средства по сравнению с ранее протестированными методами на том же эталонном наборе данных. Хотя результаты получены в симуляциях, а не в полевых испытаниях, они указывают на ясный путь к более умным, самозащищающимся транспортным сетям, где даже небольшие улучшения в обнаружении злоупотреблений могут означать спасённые жизни.

Цитирование: Abdelkreem, E., Hussein, S. & Tammam, A. A machine learning based scheme for enhancing the detection of position falsification attacks in vehicular ad hoc networks. Sci Rep 16, 8950 (2026). https://doi.org/10.1038/s41598-026-39867-9

Ключевые слова: подключённые автомобили, беспроводная безопасность на дорогах, безопасность машинного обучения, спуфинг местоположения, автомобильные сети