基于轻量级密集神经网络的车载自组网入侵检测方法

摘要：

在车载自组网中,攻击者可以通过伪造、篡改消息等方式发布虚假交通信息,导致交通拥堵甚至是严重的交通事故,而传统的入侵检测方法不能满足车载自组网的应用需求.为了解决现阶段车载网中入侵检测方法性能低且存储与时间成本高的问题,提出了 一种基于密集神经网络的入侵检测方法L-DenseNet(Light Dense Neural Network),通过降低模型复杂性,提升算法训练速度和部署适应性,使其更适用于车载 自组网中的入侵检测.在VeReMi数据集上进行对比实验,结果表明,该方法在识别各类攻击的精确率和召回率的综合表现最好,且具有较少的时间成本和存储开销.

关键词：车载自组网、密集神经网络、入侵检测、深度学习

所属期刊栏目：48

分类号：TN915.08

资助基金：国家重点研发计划2020YFB2103800

在线出版日期：2022-07-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：67-73