[論文レビュー] Enhancing Security in VANETs with Efficient Sybil Attack Detection using Fog Computing

Anirudh Paranjothi, Mohammed Atiquzzaman|arXiv (Cornell University)|Aug 23, 2021

Vehicular Ad Hoc Networks (VANETs)参考文献 11被引用数 5

ひとこと要約

本稿では、ガードノードを中心にした動的フォッグレイヤーを、車両のオンボードユニット（OBU）が形成するフォッグコンピューティングベースのSybil攻撃検出フレームワークFSDVを提案する。ビーコンメッセージ内の速度差異を動的しきい値と照らし合わせることで、従来の手法と比較して、高密度な車両環境下で処理遅延を43%削減し、オーバーヘッドを13%削減し、誤検出率（FPR）を35%低減する。

ABSTRACT

Vehicular ad hoc networks (VANETs) facilitate vehicles to broadcast beacon messages to ensure road safety. Rogue nodes in VANETs cause a Sybil attack to create an illusion of fake traffic congestion by broadcasting malicious information leading to catastrophic consequences, such as the collision of vehicles. Previous researchers used either cryptography, trust scores, or past vehicle data to detect rogue nodes, but they suffer from high processing delay, overhead, and false-positive rate (FPR). We propose a fog computing-based Sybil attack detection for VANETs (FSDV), which utilizes onboard units (OBUs) of all the vehicles in the region to create a dynamic fog for rogue nodes detection. We aim to reduce the data processing delays, overhead, and FPR in detecting rogue nodes causing Sybil attacks at high vehicle densities. The performance of our framework was carried out with simulations using OMNET++ and SUMO simulators. Results show that our framework ensures 43% lower processing delays, 13% lower overhead, and 35% lower FPR at high vehicle densities compared to existing Sybil attack detection schemes.

研究の動機と目的

• 高密度なVANETにおけるSybil攻撃検出における高い処理遅延、ネットワークオーバーヘッド、誤検出率（FPR）の課題を解決すること。
• レーンサイドユニット（RSU）、信頼スコア、または過去の車両データに依存する従来の手法の限界を克服すること。
• オンボード車両リソースと動的フォッグ形成を用いて、インfraストラクチャに依存しない分散型で低遅延のなりすましノード検出を可能にすること。
• インfraストラクチャに依存せず、高い移動性と増加するなりすましノード比の下でも、検出性能を安定させる。

提案手法

• すべての車両のOBUを用いて、送信範囲内に存在するガードノードが動的フォッグレイヤーを形成する。
• ビーコンメッセージからの速度値を用いて、予想される交通フローからの逸脱を表す残差を計算する。
• リアルタイムの交通状況に基づく動的しきい値を適用し、Sybil攻撃を示す顕著な速度異常を検出する。
• 分散型OBU計算を活用することで、中央集権的または個別のOBU処理と比較して、処理遅延を低減し、検出効率を向上させる。
• RSU、信頼スコア、過去の車両データに依存しないため、オーバーヘッドと誤検出を低減する。
• OMNeT++およびSUMOシミュレータを用いて、車両およびなりすましノードの密度が変化する条件下での性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 RSUや信頼スコアに依存する手法と比較して、分散型OBUベースのフォッグコンピューティングアプローチは、処理遅延と誤検出率（FPR）を低減できるか？
• RQ2 高密度な車両環境および増加するなりすましノード比の下で、提案されたFSDVフレームワークの性能はどのようにスケーリングするか？
• RQ3 動的しきい値メカニズムは、誤検出を最小限に抑えながら、検出精度をどの程度向上させるか？
• RQ4 処理遅延、オーバーヘッド、スループット、パケット損失率の観点から、FSDVフレームワークは従来の手法（PoW、IDS、TM）と比較してどのように差をつけるか？
• RQ5 履歴データや信頼指標に依存せず、高い真正陽性率（TPR）と低いFPRを維持できるか？

主な発見

• FSDVは、4000台の車両という高密度な環境下で、従来の手法（PoW、IDS、TM）と比較して、データ処理遅延を43%削減する。
• 誤検出率（FPR）は、従来の手法と比較して35%低減され、なりすましノード比が40%の状況では、FPRが31%低くなる。
• ネットワークオーバーヘッドは、従来の手法より13%低く、PoW、IDS、TMと比較してそれぞれ7%、6%、10%の削減が見られる（なりすましノード比40%時）。
• すべての車両密度において、平均スループットが従来の手法より14–19%高い。
• なりすましノード比が30%までであれば真正陽性率（TPR）は100%を維持し、40%に達してもわずかに98.7%に低下するにとどまる。
• 4000台の車両環境下で、パケット損失率（PLR）は、従来の手法と比較して22–38%低く、高い移動性下でも信頼性が向上している。