Coop-IntelliMD：基于协作监控的C-ITS数据完整性攻击协同检测新方法

《IEEE Access》：Coop-IntelliMD: Towards Collaborative Detection of Data Integrity Attacks in Cooperative Intelligent Transport Systems

本文针对协同智能交通系统(C-ITS)中现有误行为检测方法准确性和鲁棒性不足的问题，提出了一种基于协作监控的新型协同检测方法Coop-IntelliMD。该方法通过引入集体观察消息(COM)实现节点间实时信息共享，结合自适应阈值算法对CAM、VAM、DENM、SPaT和IVIM等多种消息进行一致性校验，实验表明其检测准确率可达98.32%，较传统方法提升3.05%，为构建更安全可靠的C-ITS提供了有效解决方案。

　　

在现代交通系统中，随着道路安全事故的不断增加，协同智能交通系统(C-ITS)应运而生。C-ITS通过车联网(IoV)和车联万物(V2X)通信技术，使车辆、行人和基础设施之间能够实时交换安全关键信息。然而，这种高度互联的环境也使其面临严重的安全威胁，特别是数据完整性攻击，包括虚假数据注入和数据重放攻击，这些攻击可能导致碰撞避免系统失效、交通信号被篡改等严重后果。

现有误行为检测方法主要存在两大局限：一是基于自报告消息的检测方法容易受到消息本身不准确性的影响；二是基于协作信任的方法虽然通过节点间信任信息共享提高了检测能力，但存在信任阈值依赖导致的资源消耗增加问题，且难以应对"开关攻击"（即节点先积累信任后发起攻击）。这些问题严重制约了C-ITS的安全性和可靠性。

针对这些挑战，Mohamed Ahzam Amanullah等研究人员在《IEEE Access》上发表了题为"Coop-IntelliMD: Towards Collaborative Detection of Data Integrity Attacks in Cooperative Intelligent Transport Systems"的研究论文，提出了一种创新的协作监控方法。该方法的核心思想是让每个C-ITS节点监控其最近邻居的行为，并通过新设计的集体观察消息(COM)实时共享相关信息，从而实现对误行为的协同检测。

研究人员开发了几个关键技术方法：首先是集体观察消息(COM)的设计，这是一种新型通信消息格式，使车辆能够观察并传递邻居信息和交通信息；其次是协作监控误行为检测算法，该算法通过比较CAM（协同感知消息）与COM的一致性来识别异常；此外还开发了自适应阈值算法，能够根据接收到的CAM和COM消息动态调整位置、速度、加速度等参数的阈值，提高检测的实时性和准确性。

在研究结果方面，实验设置与性能评估部分显示，研究采用BurST仿真场景，模拟了包含172辆各类车辆和104名行人的真实C-TS环境，在500秒仿真时间内引入了24个攻击者实施20种不同类型的攻击。实验在树莓派3 Model B硬件上进行，以模拟实际车载单元(OBU)的资源约束环境。

检测性能对比分析表明，Coop-IntelliMD在准确率、精确率和召回率方面均显著优于传统方法。与本地误行为检测机制IntelliMD相比，Coop-IntelliMD的检测准确率从95.27%提升至98.32%，召回率从94.11%提升至98.30%。同时，该方法在内存消耗(100.7MB vs 130.4MB)和检测时间(8ms vs 10ms per message)方面也表现出更好的效率。

与传统协作信任方法的比较进一步验证了Coop-IntelliMD的优越性。与Mangla等人提出的CT-M方法(92.73%准确率)、Liu等人的CT2-MDS方法(91.66%准确率)以及Kamel等人的CT-K方法(92.74%准确率)相比，Coop-IntelliMD的98.62%准确率明显更高，且在CPU使用率(6.92% vs 9.38%-10.07%)方面更为高效。

协作监控机制的有效性通过共识检查和自适应阈值两个模块实现。共识检查确保自报告信息与邻居观察信息的一致性，而自适应阈值算法则根据多个邻居报告的数据动态计算合理阈值，避免了传统固定阈值的局限性。这种双重验证机制显著提高了对复杂攻击模式的检测能力。

研究还详细分析了系统局限性，包括对邻居信息的依赖性、通信开销增加、传感能力限制以及检测延迟等问题。尽管如此，Coop-IntelliMD在检测准确性和效率方面的显著提升，使其成为C-ITS安全领域的重要进展。

该研究的结论部分强调，Coop-IntelliMD通过协作监控方法有效解决了传统误行为检测机制的局限性，为C-ITS提供了一种更加可靠的安全防护方案。特别是在准确识别数据完整性攻击方面，该方法能够额外检测出大量异常消息，在扩展到大规模网络时具有显著的安全效益。研究人员指出，未来工作将扩展该方法的攻击覆盖范围，并探索在不同攻击者比例下的性能表现，进一步提升其在复杂交通环境中的适用性。

这项研究的重要意义在于为智能交通系统的安全防护提供了新思路，通过分布式协作监控而非集中式信任管理，实现了对内部攻击的有效检测，为构建真正安全可靠的协同智能交通生态系统奠定了技术基础。随着自动驾驶和车联网技术的快速发展，这种高效、准确的误行为检测方法将在保障道路交通安全方面发挥越来越重要的作用。