科研之友
微信
新浪微博
Facebook
分享链接
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。
-
单位北京交通大学; 公安部第一研究所
