基于5G的车辆互联网(IOV)网络中机器学习(ML)的集成使智能运输和智能流量管理。尽管如此,抵抗对抗中毒攻击的安全也越来越成为一项艰巨的任务。具体而言,深钢筋学习(DRL)是IOV应用中广泛使用的ML设计之一。标准的ML安全技术在DRL中无效,该算法学会通过与环境的持续互动来解决顺序决策,并且环境是随时间变化的,动态的和移动的。在本文中,我们提出了一个基于IOV中基于SYBIL的数据中毒攻击的封闭式复发单元(GRU)的联邦持续学习(GFCL)异常检测框架。目的是提出一个轻巧且可扩展的框架,该框架在不包含由攻击样本组成的A-Priori培训数据集的情况下学习和检测非法行为。我们使用GRU预测未来的数据顺序,以基于联合学习的分布方式分析和检测车辆的非法行为。我们使用现实世界的车辆移动轨迹研究了框架的性能。结果证明了我们提出的解决方案在不同的性能指标方面的有效性。
translated by 谷歌翻译