FedIoV：一种用于车辆网络中实时入侵检测的安全且自适应的联邦框架

《Future Generation Computer Systems》：FedIoV: A Secure and Adaptive Federated Framework for Real-Time Intrusion Detection in Vehicular Networks

针对车辆互联网中入侵检测的隐私与资源挑战，提出FedIoV框架，结合联邦学习、TOPSIS-Multi-Krum聚类、KANConvNet轻量模型和遗传算法优化，实现高精度（≥99%）、低通信能耗（↓50-70%）、低延迟（＜60ms）及强抗拜占庭攻击能力，在五个IoV基准数据集验证有效性和效率。

　　

阿拉什·海达里（Arash Heidari）| 赛义德·哈梅德·拉斯泰加尔（Seyed Hamed Rastegar）| 艾哈迈德·孔萨里（Ahmad Khonsari）

伊朗德黑兰大学工程学院电气与计算机工程系

摘要

随着联网车辆的不断增加，车联网（IoV）生态系统正在迅速发展，这进一步凸显了对于安全、可扩展且实时入侵检测系统（IDS）的需求。传统方法在处理多样化的车辆数据、变化的移动模式以及有限的车载资源方面面临诸多挑战，从而影响了系统的隐私性和可靠性。为了解决这些问题，我们提出了FedIoV——一种基于联邦学习（FL）的安全且自适应的入侵检测系统，专为实时车辆环境设计。其核心思想是：通过结合强大的数据聚合技术和轻量级建模方法，即使在资源受限且环境恶劣的情况下，也能实现高效的入侵检测，同时不牺牲数据隐私。FedIoV主要包括以下组件：(i) 客户端与服务器之间的安全初始化和加密通信；(ii) 采用TOPSIS降维和Multi-Krum聚类技术的两阶段数据聚合流程，用于过滤噪声或恶意数据；(iii) 基于Kolmogorov–Arnold定理的KANConvNet分类器，该分类器能够有效捕捉复杂的车辆动态；(iv) 由遗传算法驱动的超参数优化机制，以实现不同客户端间的性能自适应调整。在五个基准数据集（Car-Hacking、VeReMi、CICIDS 2017、IEEE VTC-CAN和CarNet）中，FedIoV的表现均优于现有的最佳IDS算法：其F1分数提高了2%至4%，每轮通信成本降低了50%至70%，每辆车的能耗降低了多达62%，且检测延迟保持在60毫秒以内。即使在不到50%的车辆参与恶意行为的情况下，FedIoV的准确率仍能达到99%以上。这一性能几乎是现有FL或区块链辅助IDS框架的两倍。这些结果表明，FedIoV是一种有效的实时入侵检测方法，具有自适应能力，能够保护隐私并降低能耗。

章节摘录

引言

车联网（IoV）的快速发展通过促进车辆、基础设施和边缘计算节点之间的实时通信与协作，正在重塑现代智能交通系统[1]。车对一切（V2X）技术（包括专用短距离通信DSRC、蜂窝车对一切C-V2X以及5G辅助的V2N通信）使车辆能够交换遥测数据、环境信息及传感器数据。

相关工作

本文重点关注在资源受限和敌对环境下，入侵检测系统的安全性、可扩展性和适应性。研究人员提出了多种智能模型来识别复杂的车辆威胁。例如，Tiwari等人[19]提出了一种基于细粒度树的IDS模型，用于实时异常检测。

FedIoV模型

本节介绍了所提出的FedIoV系统，并在表2中展示了相关符号及其定义。

FedIoV方法

在基于FL的入侵检测系统中，超参数调优对于提升模型在异构和动态车辆环境下的性能至关重要。选择合适的超参数组合对于保证训练效率、稳定性和泛化能力尤为重要，因为每辆车的运行数据和计算能力各不相同。我们利用遗传算法（GA）构建了超参数优化框架。

结果与比较

本文详细评估了FedIoV框架的性能，包括仿真环境、使用的数据集、性能指标及评估方法，并探讨了该技术对产业和学术界的广泛影响。

结论与未来工作

FedIoV为车联网环境中的实时入侵检测提供了一种实用且端到端的解决方案，既能保护隐私又能确保高效性。通过结合易于理解的KANConvNet局部模型、两阶段TOPSIS+Multi-Krum数据聚合机制以及遗传算法驱动的超参数优化，该框架实现了准确性、鲁棒性和效率的三重提升。在五个公开的车联网基准测试中，FedIoV的检测准确率接近99%，即使部分车辆参与恶意行为，准确率也仅下降了3%。

资金支持

本项研究得到了伊朗国家科学基金会（INSF）项目编号4039962的支持。

作者贡献声明

阿拉什·海达里（Arash Heidari）：撰写内容、审稿与编辑、原始稿件撰写、数据资源收集、方法论设计。 赛义德·哈梅德·拉斯泰加尔（Seyed Hamed Rastegar）：数据验证、项目监督、软件开发、资源协调。 艾哈迈德·孔萨里（Ahmad Khonsari）：项目管理工作、资金申请、形式化分析、概念框架构建。