[发明专利]基于云雾协同的车联网入侵检测方法

说明书

本发明公开了基于云雾协同的车联网入侵检测方法，主要由三部分组成，包括：步骤1，由于雾节点和云服务器的计算能力不同，设计了云雾协同防御架构，在资源有限的雾节点将流量数据分为正常数据和可疑数据，在具有强大计算资源的云服务器上将可疑数据具体分类，判别攻击类型。步骤2，由于雾节点资源有限并且网络环境复杂多变的问题，采用CART决策树算法，通过对数据进行检测，能够更快速的确定可疑数据和良性数据。步骤3，针对车联网场景中数据不平衡问题，设计了代价敏感CNN模型，对可疑数据进行具体分类，减少少数攻击漏报率。在模拟现实中的车联网数据集上对算法进行评估，该方法能在较低的资源需求下获得较高的性能。

技术领域

本发明涉及车联网网络安全技术领域，特别涉及一种基于云雾协 同的车联网入侵检测方法。

背景技术

智能交通的快速发展使车辆能够与相邻车辆或网络基础设施进 行通信，能够及时获取交通状况，提高安全性和效率，然而这也带来 了很多安全问题。黑客的攻击使得车联网的发展存在重大安全隐患， 攻击者利用漏洞访问网络并篡改机密数据，它会导致更多的事故，改 变安全驾驶的意义。攻击行为可以破坏车联网的系统功能，也可以出 于自己的目的滥用车联网。例如一些黑客通过盗窃车载设备，对车辆 内部网络进行渗透以及利用外部网络实现对车辆的攻击，然后利用这 些被攻击的异常车辆对车联网环境中其他用户进行干扰，这将严重损 害用户的利益甚至是威胁用户的人身安全。

车联网是一个动态性很强的快速移动网络，因此车辆之间共享信 息的实时性是非常重要的。由于车辆之间相遇的时间很短，而且对接 收到的信息需要迅速采取行动，因此迅速确定信息的可靠性非常重要。 密码技术涉及成对密钥和开销，涉及计算成本、存储和时间，并且密 钥被盗等行为会导致车联网被入侵，当攻击从车辆内部发起时，更加 难以防范。因此，车联网网络中必须部署入侵检测系统来检测攻击。

除了这些与安全相关的挑战之外，车辆还需要处理收集和接收其 他车辆的数据。如果将收集到的交通数据发送到云上执行所需的计算， 然后将结果传达给车辆，这样可以限制车辆之间的计算和通信开销， 提高车辆的私密性。然而，由于道路信息是时间敏感的，这种解决方 案可能是低效的。在雾计算中，雾节点位于终端用户和云之间，利用 路侧单元作为雾节点，雾计算可以作为道路状况计算的替代方法。在 这种情况下，路侧单元从每个路侧单元区域内的车辆收集交通数据， 通过路侧单元对收集到的数据进行分析，提取道路状况。车辆之间的 通信、检测、定位，可以间接地通过雾节点进行交互。

因此，为解决车联网的信息安全问题，本文提出基于云雾协同的 车联网入侵检测方法，充分考虑车联网相比原传统互联网的特殊性， 主要是计算能力、存储能力、安全性要求更高等特点，利用当前在诸 多领域都取得突破的机器学习、深度学习技术来构建入侵检测模型。

发明内容

本发明所要解决的技术问题是提供一种车联网网络入侵检测的 方法，用于解决高度动态的车联网网络安全问题。本发明解决上述技 术问题的技术方案如下，一种基于云雾协同的车联网入侵检测方法， 包括：

步骤1，将车联网数据转化为特征向量数据集，特征向量集具体 包括802.11p协议IP地址及类型，UDP数据报和IP数据报中的时间、 源IP、目的IP、协议名、包大小、端口号、flag等信息，以及丢包率、 通信链接次数等。在资源有限的雾节点利用决策树CART算法对该特 征向量数据集进行学习，获得决策树CART分类器；

步骤2，在雾节点采用决策树CART将数据初步分类，雾节点将 初步分类结果发送至云服务器；

步骤3，在云服务器上，部署代价敏感CNN算法，对雾节点发 送的数据进行具体分类。