[論文レビュー] Prediction-Based GNSS Spoofing Attack Detection for Autonomous Vehicles

Sagar Dasgupta, Mizanur Rahman+2 more|arXiv (Cornell University)|Oct 16, 2020

Vehicular Ad Hoc Networks (VANETs)参考文献 23被引用数 9

ひとこと要約

本稿では、自動運転車におけるスプーフィング攻撃をリアルタイムで検出する手法を提案する。LSTMベースの予測モデルを用いて、連続する車両位置間の移動距離を推定し、予測距離と実際のGNSS測位値を比較することで、測位エラーと予測エラーに基づくしきい値を適用して、高い正確性でスプーフィング攻撃を検出する。使用データはcomma2k19ドライブデータセットである。

ABSTRACT

Global Navigation Satellite System (GNSS) provides Positioning, Navigation, and Timing (PNT) services for autonomous vehicles (AVs) using satellites and radio communications. Due to the lack of encryption, open-access of the coarse acquisition (C/A) codes, and low strength of the signal, GNSS is vulnerable to spoofing attacks compromising the navigational capability of the AV. A spoofed attack is difficult to detect as a spoofer (attacker who performs spoofing attack) can mimic the GNSS signal and transmit inaccurate location coordinates to an AV. In this study, we have developed a prediction-based spoofing attack detection strategy using the long short-term memory (LSTM) model, a recurrent neural network model. The LSTM model is used to predict the distance traveled between two consecutive locations of an autonomous vehicle. In order to develop the LSTM prediction model, we have used a publicly available real-world comma2k19 driving dataset. The training dataset contains different features (i.e., acceleration, steering wheel angle, speed, and distance traveled between two consecutive locations) extracted from the controlled area network (CAN), GNSS, and inertial measurement unit (IMU) sensors of AVs. Based on the predicted distance traveled between the current location and the immediate future location of an autonomous vehicle, a threshold value is established using the positioning error of the GNSS device and prediction error (i.e., maximum absolute error) related to distance traveled between the current location and the immediate future location. Our analysis revealed that the prediction-based spoofed attack detection strategy can successfully detect the attack in real-time.

研究の動機と目的

• GNSSがC/Aコードのオープンアクセスおよび弱信号強度のため、スプーフィング攻撃に対して脆弱であるという問題に対処すること。
• 車両ナビゲーションが損なわれる前に、スプーフィングGNSS信号をリアルタイムで同定する検出メカニズムを開発すること。
• CAN、GNSS、IMUデータのセンサ統合を活用して、距離推定のための予測モデルを訓練すること。
• GNSS測位エラーと予測エラーを組み合わせ、信頼性の高い攻撃検出のための動的しきい値を確立すること。
• comma2k19データセットからの実際のドライブデータを用いて、予測ベースのアプローチの有効性を検証すること。

提案手法

• CAN、GNSS、IMUセンサから抽出された特徴量（加速度、ステアリングホイルの角度、速度、移動距離など）を用いて、LSTM再帰ニューラルネットワークを訓練する。
• 時系列センサデータに基づき、現在の車両位置と次の将来位置間の距離を予測する。
• 最大絶対予測誤差とGNSSデバイスの既知の測位エラーを用いて、しきい値を計算する。
• 予測距離と実際のGNSS報告距離とのリアルタイム比較により、スプーフィングを示す乖離を検出できる。
• しきい値を超える任意の乖離は、潜在的なスプーフィング攻撃としてフラグが立てる。
• 軌跡の一貫性における異常を検出するための時系列モデリング戦略を採用する。

実験結果

リサーチクエスチョン

• RQ1 多センサデータを用いたLSTMベースの予測モデルは、連続する車両位置間の移動距離を効果的に推定できるか？
• RQ2 予測誤差とGNSS測位誤差をどのように組み合わせて、スプーフィング攻撃の信頼性の高い検出しきい値を確立できるか？
• RQ3 本手法は、実世界のドライブデータを用いて、リアルタイムでスプーフィング攻撃をどの程度検出できるか？
• RQ4 運転状況やセンサノイズレベルの変化に対して、システムはどのように性能を発揮するか？
• RQ5 CAN、GNSS、IMUのセンサ統合は、スプーフィング検出の精度と耐障害性にどのような影響を与えるか？

主な発見

• LSTMモデルは、多センサ入力に基づき、連続する車両位置間の移動距離を高い正確性で予測した。
• 予測距離と実際のGNSS報告距離を比較することで、検出システムはリアルタイムでスプーフィング攻撃を正常に同定した。
• 予測誤差と測位誤差を統合したしきい値は、偽陽性を効果的に低減しながらも、高い検出感度を維持した。
• 本手法は、comma2k19データセットにおける多様な走行シナリオで、頑健な性能を示した。
• 暗号化信号やスプーフィングパターンの事前知識を必要とせず、信頼性の高い検出を達成した。
• 本手法は計算効率が高く、自動運転車におけるリアルタイム導入に適している。