Aprendizaje Automático en Línea Incremental para Detectar Nodos Maliciosos en Comunicaciones Vehiculares Usando Monitoreo en Tiempo Real
Autores: Ajjaj, Souad; El Houssaini, Souad; Hain, Mustapha; El Houssaini, Mohammed-Alamine
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aprendizaje Automático en Línea Incremental para Detectar Nodos Maliciosos en Comunicaciones Vehiculares Usando Monitoreo en Tiempo Real
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Telecomunicaciones
Palabras clave
Actividades maliciosas
Redes vehiculares ad hoc
Algoritmos de aprendizaje automático
Análisis de datos en tiempo real
Detección de ataques
Ataques de agujero negro
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 15
Citaciones: Sin citaciones
La detección de actividades maliciosas en Redes Ad hoc Vehiculares (VANETs) es un campo de investigación importante, ya que puede prevenir daños graves dentro de la red y mejorar la seguridad y la privacidad. En este sentido, se han propuesto varios enfoques basados en algoritmos de aprendizaje automático (ML). Sin embargo, enfrentan varios desafíos debido a que los datos se generan constantemente con el tiempo; esto puede afectar el rendimiento de los modelos entrenados en conjuntos de datos fijos, así como causar la necesidad de análisis de datos en tiempo real para obtener respuestas oportunas a posibles amenazas en la red. Por lo tanto, es crucial que los modelos de aprendizaje automático aprendan y mejoren sus predicciones o decisiones en tiempo real a medida que se disponga de nuevos datos. En este artículo, proponemos un nuevo enfoque para la detección de ataques en VANETs basado en aprendizaje automático en línea incremental. Este enfoque utiliza datos recopilados del monitoreo del comportamiento de los nodos de VANET en tiempo real y entrena un modelo en línea utilizando algoritmos de aprendizaje en línea incremental. Más específicamente, esta investigación aborda la detección de ataques de agujero negro que representan una amenaza significativa para el protocolo de enrutamiento Ad hoc On Demand Distance Vector (AODV). Los datos utilizados para la detección de ataques se recopilan a partir de la simulación de escenarios realistas de VANET utilizando los simuladores bien conocidos Simulation of Urban Mobility (SUMO) y Network Simulator (NS-3). Además, se monitorean a lo largo del tiempo características clave que son relevantes para capturar el comportamiento de los nodos de VANET bajo ataque de agujero negro. Se evalúa el rendimiento de dos clasificadores incrementales en línea, Adaptive Random Forest (ARF) y K-Nearest Neighbors (KNN), en términos de métricas de Precisión, Recuperación, Precisión y F1-score, así como el tiempo de entrenamiento y prueba. Los resultados muestran que ARF se puede aplicar con éxito para clasificar y detectar nodos de agujero negro en VANETs. ARF superó a KNN en todas las medidas de rendimiento, pero requirió más tiempo para entrenar y probar en comparación con KNN. Nuestros hallazgos indican que el aprendizaje en línea incremental, que permite un aprendizaje continuo y en tiempo real, puede ser un método potencial para identificar ataques en VANETs.
Descripción
La detección de actividades maliciosas en Redes Ad hoc Vehiculares (VANETs) es un campo de investigación importante, ya que puede prevenir daños graves dentro de la red y mejorar la seguridad y la privacidad. En este sentido, se han propuesto varios enfoques basados en algoritmos de aprendizaje automático (ML). Sin embargo, enfrentan varios desafíos debido a que los datos se generan constantemente con el tiempo; esto puede afectar el rendimiento de los modelos entrenados en conjuntos de datos fijos, así como causar la necesidad de análisis de datos en tiempo real para obtener respuestas oportunas a posibles amenazas en la red. Por lo tanto, es crucial que los modelos de aprendizaje automático aprendan y mejoren sus predicciones o decisiones en tiempo real a medida que se disponga de nuevos datos. En este artículo, proponemos un nuevo enfoque para la detección de ataques en VANETs basado en aprendizaje automático en línea incremental. Este enfoque utiliza datos recopilados del monitoreo del comportamiento de los nodos de VANET en tiempo real y entrena un modelo en línea utilizando algoritmos de aprendizaje en línea incremental. Más específicamente, esta investigación aborda la detección de ataques de agujero negro que representan una amenaza significativa para el protocolo de enrutamiento Ad hoc On Demand Distance Vector (AODV). Los datos utilizados para la detección de ataques se recopilan a partir de la simulación de escenarios realistas de VANET utilizando los simuladores bien conocidos Simulation of Urban Mobility (SUMO) y Network Simulator (NS-3). Además, se monitorean a lo largo del tiempo características clave que son relevantes para capturar el comportamiento de los nodos de VANET bajo ataque de agujero negro. Se evalúa el rendimiento de dos clasificadores incrementales en línea, Adaptive Random Forest (ARF) y K-Nearest Neighbors (KNN), en términos de métricas de Precisión, Recuperación, Precisión y F1-score, así como el tiempo de entrenamiento y prueba. Los resultados muestran que ARF se puede aplicar con éxito para clasificar y detectar nodos de agujero negro en VANETs. ARF superó a KNN en todas las medidas de rendimiento, pero requirió más tiempo para entrenar y probar en comparación con KNN. Nuestros hallazgos indican que el aprendizaje en línea incremental, que permite un aprendizaje continuo y en tiempo real, puede ser un método potencial para identificar ataques en VANETs.