摘要

本文提出了一种名为CAV-AD的鲁棒框架，用于检测连接和自动化车辆（CAV）网络中的异常数据和恶意传感器。CAV网络因其依赖传感器读数而易受攻击，这些攻击可能通过操纵传感器读数来危及网络安全性。尽管已有多种异常检测（AD）方法被提出，但它们在检测多个传感器中的特定异常或识别受攻击的特定传感器方面存在局限。CAV-AD框架通过两个主要组件解决了这些问题：一是优化全尺度CNN（O-OS-CNN）模型架构，该架构通过生成所有可能的核大小来优化时间尺度选择；二是放大块，通过增加异常读数的值来提高异常检测的敏感性。此外，CAV-AD还集成了卡尔曼滤波器（KF）以即时识别恶意传感器。实验结果表明，CAV-AD在检测多种异常攻击方面优于现有方法，实现了98%的平均准确率和89%的平均F1分数。

原理

CAV-AD框架的核心在于其创新的O-OS-CNN模型架构和放大块的设计。O-OS-CNN通过动态调整接收场（RF）大小，生成所有可能的核大小，从而优化特征提取过程。这种设计使得模型能够从整个时间序列数据中提取特征，提高了异常检测的准确性。放大块则通过增加异常读数的值，使得模型对异常变化更加敏感。此外，CAV-AD还集成了KF，通过预测每个传感器的下一个读数并与实际读数进行比较，从而动态识别恶意传感器。

流程

CAV-AD框架的工作流程分为三个阶段：首先，数据通过放大块进行处理，以增强异常读数的显著性；其次，处理后的数据用于训练O-OS-CNN模型，该模型能够准确识别异常读数；最后，训练好的模型与KF结合，用于实时检测和识别恶意传感器。具体来说，放大块通过设置阈值和放大因子来处理数据，O-OS-CNN模型通过两层OS块和全局平均池化层进行特征提取和分类，KF则通过预测和更新步骤来识别异常读数。

应用

CAV-AD框架的应用前景广泛，特别是在公共交通、地下采矿和农业等依赖CAV网络的行业。该框架能够有效检测和识别恶意传感器，从而提高网络的安全性和可靠性。随着CAV技术的进一步发展和普及，CAV-AD框架将在保障车辆安全和网络安全方面发挥重要作用。