[論文レビュー] Automobile Theft Detection by Clustering Owner Driver Data

Yong Goo Kang, Kyung Ho Park+1 more|arXiv (Cornell University)|Jan 1, 2019

Autonomous Vehicle Technology and Safety参考文献 10被引用数 7

ひとこと要約

本稿では、所有者の運転データに対してk-meansクラスタリングを適用することで、盗難の兆候を示す異常を検出する教師なし自動車盗難検出手法を提案する。盗難者データをラベル付けする必要がなく、最大99.01%の精度を達成している。本手法は、変速機オイル温度やトルクコンバータ回転数などのCANバスの特徴を活用して、通常の運転行動をモデル化し、その逸脱を盗難の兆候として特定する。

ABSTRACT

As automobiles become intelligent, automobile theft methods are evolving intelligently. Therefore automobile theft detection has become a major research challenge. Data-mining, biometrics, and additional authentication methods have been proposed to address automobile theft, in previous studies. Among these methods, data-mining can be used to analyze driving characteristics and identify a driver comprehensively. However, it requires a labeled driving dataset to achieve high accuracy. It is impractical to use the actual automobile theft detection system because real theft driving data cannot be collected in advance. Hence, we propose a method to detect an automobile theft attempt using only owner driving data. We cluster the key features of the owner driving data using the k-means algorithm. After reconstructing the driving data into one of these clusters, theft is detected using an error from the original driving data. To validate the proposed models, we tested our actual driving data and obtained 99% accuracy from the best model. This result demonstrates that our proposed method can detect vehicle theft by using only the car owner's driving data.

研究の動機と目的

• ラベル付きの盗難者運転データに依存せずに、インテリジェントな車両における自動車盗難の検出に取り組むこと。
• 正当な所有者の運転データのみを用いてトレーニングする盗難検出システムを開発すること。
• 所有者の通常の運転パターンからの逸脱を特定することで、不正な運転のリアルタイム検出を可能にすること。
• 実際の車両システムにおける教師なし学習のドライバー認証および盗難検出の実現可能性を評価すること。

提案手法

• 所有者の運転データから抽出された重要な特徴量にk-meansクラスタリングを適用し、通常の運転行動をモデル化する。
• アルゴリズムは、所有者の典型的な運転パターンを表すクラスタに運転データをグループ化する。
• 元の運転データを最も近いクラスタ重心に再構築した際の再構築誤差を測定することで、異常を検出する。
• 本手法は、変速機オイル温度、トルクコンバータ回転数、アイドル回転数などの原始的なCANバス信号を入力特徴量として使用する。
• 予測結果を統合する5つの個々のモデルのアンサンブルを構築することで、盗難検出の精度を向上させる。
• 各特徴量ごとにしきい値を最適化し、精度、再現率、F1スコアのバランスを取って、最適な検出性能を実現する。

実験結果

リサーチクエスチョン

• RQ1 教師なし学習を用いて、盗難者データが一切不要な状態で、所有者の運転データのみを用いて自動車盗難を検出できるか？
• RQ2 k-meansクラスタリングは、車両システムにおける異常検出のための通常の運転行動をどの程度正確にモデル化できるか？
• RQ3 どのCANバス特徴量が不正な運転行動の検出において最も高い精度を示すか？
• RQ4 複数のモデルのアンサンブルは、実世界の導入に適した高い再現率を維持しつつ、検出精度を向上させることができるか？

主な発見

• 変速機オイル温度を特徴量とするModel TOTは、99.01%の精度を達成し、97.77%の精度、95.93%の再現率、96.84%のF1スコアを示した。
• トルクコンバータ回転数やアイドル回転数などの他の個々のモデルは、97%から98.26%の精度を達成した。
• モデルアンサンブルは、98.11%の精度、99.30%の精度、88.75%の再現率、93.73%のF1スコアを達成し、誤検出の低減に優れた性能を示した。
• Model TOTは最高の全体的性能を示し、実際の盗難事例の95.93%を検出できたため、高再現率を要する用途に適している。
• 本手法は、ラベル付きの盗難者データが不要であることを確認し、実世界への導入が可能であることを裏付けた。
• 本研究は、通常の運転パターンの教師なしクラスタリングが、車両盗難を示す異常行動を効果的に特定できることを確認した。