[論文レビュー] GPS-IDS: An Anomaly-based GPS Spoofing Attack Detection Framework for Autonomous Vehicles

Murad Mehrab Abrar, Youssef, Amal+7 more|arXiv (Cornell University)|May 14, 2024

Vehicular Ad Hoc Networks (VANETs)被引用数 4

ひとこと要約

本稿では、物理的強化された動的バイシクルモデルを用いてGPSスプーフィング攻撃を検出する、異常検知型侵入検知システムであるGPS-IDSを提案する。車両の挙動から時間的特徴を抽出し、機械学習を適用することで、EKFよりも13秒短い検出時間と最大94.4％のF1スコアを達成した。本研究では、正常および攻撃データを含む69,000件のインスタンスを持つ新規の実世界AV-GPS-Datasetを構築した。

ABSTRACT

Autonomous Vehicles (AVs) heavily rely on sensors and communication networks like Global Positioning System (GPS) to navigate autonomously. Prior research has indicated that networks like GPS are vulnerable to cyber-attacks such as spoofing and jamming, thus posing serious risks like navigation errors and system failures. These threats are expected to intensify with the widespread deployment of AVs, making it crucial to detect and mitigate such attacks. This paper proposes GPS Intrusion Detection System, or GPS-IDS, an Anomaly-based intrusion detection framework to detect GPS spoofing attacks on AVs. The framework uses a novel physics-based vehicle behavior model where a GPS navigation model is integrated into the conventional dynamic bicycle model for accurate AV behavior representation. Temporal features derived from this behavior model are analyzed using machine learning to detect normal and abnormal navigation behaviors. The performance of the GPS-IDS framework is evaluated on the AV-GPS-Dataset -- a GPS security dataset for AVs comprising real-world data collected using an AV testbed, and simulated data representing urban traffic environments. To the best of our knowledge, this dataset is the first of its kind and has been publicly released for the global research community to address such security challenges.

研究の動機と目的

• 自律走行車両におけるGPSスプーフィング攻撃の増加する脅威に対処し、ナビゲーション障害や安全リスクを防止すること。
• 個々のセンサデータに依存するのではなく、GPSナビゲーション挙動における異常を検出する包括的な侵入検知システムを開発すること。
• 実世界の研究利用を目的として、正常およびスプーフィングされたGPS挙動を捉えた実世界データセット（AV-GPS-Dataset）を構築・公開すること。
• リアルタイムのAVシナリオにおいて、拡張カルマンフィルタ（EKF）などの既存手法よりも検出速度と精度を向上させること。
• 物理ベースの車両動力学と機械学習を統合し、自律走行ナビゲーションシステムにおける堅牢な異常検知を実現すること。

提案手法

• 本フレームワークは、自律走行車両の挙動を正確に表現するため、GPSナビゲーションモデルを統合した修正版動的バイシクルモデルを導入する。
• 物理ベースの車両挙動モデルから時間的特徴を抽出し、通常の走行ダイナミクスおよび横方向運動特性を捉える。
• 多層パーセプトロン（MLP）、ランダムフォレスト（RF）、XGBoost、決定木（DT）といった機械学習モデルを用い、正常および異常なナビゲーションパターンを区別するように訓練する。
• 誤検知と誤検知を最小限に抑えるために、検出マージンとして0.4–0.5を最適と特定する。
• 本システムは、スプーフィング攻撃下でのフィールド実験から収集した実世界データセット（AV-GPS-Dataset）を用いて評価される。
• 検出性能は、EKFに基づく検出手法と比較され、時間系列解析を用いて検出遅延を評価する。

実験結果

リサーチクエスチョン

• RQ1 物理ベースの車両挙動モデルは、自律走行車両におけるGPSスプーフィング攻撃の検出をどのように向上させ得るか？
• RQ2 異常検知型GPSスプーフィング検出において、誤検知と誤検知を最小限に抑える最適な検出マージンは何か？
• RQ3 実世界シナリオにおいて、提案されたGPS-IDSフレームワークはEKFベースの検出手法と比較して、検出速度と精度でどのように差をつけるか？
• RQ4 物理強化車両モデルから抽出した時間的特徴に基づいて訓練された機械学習モデルは、重大なナビゲーション誤差を引き起こす前にスプーフィング攻撃をどの程度の早期段階で検出可能か？
• RQ5 フィールド実験から収集した実世界のGPSスプーフィング攻撃データセットは、侵入検知システムのより信頼性が高く汎用性の高い評価を可能にするか？

主な発見

• GPS-IDSは、GPSスプーフィング攻撃の検出において最大94.4％のF1スコアを達成し、ベースライン手法を顕著に上回った。
• EKFベースの検出アルゴリズムと比較して、検出時間を最大13秒短縮した。特に、最も優れた性能を示したMLPモデルでは、攻撃検出をわずか10秒で完了した。
• 検出マージン0.4–0.5は、誤検知率（0.0021）と誤検知率（0.0012）が最小となり、感度と特異度の最適なバランスを示した。
• 全テスト対象の機械学習モデル（MLP、RF、XGB、DT）がEKFよりも攻撃を早期に検出できた。特にMLPは、トレーニングケースの両方で10秒という最短の検出時間を記録した。
• 69,000件以上の実世界インスタンスを含むAV-GPS-Datasetは、物理的AVテストベッドから収集されたものであり、公開された最初の同種のデータセットである。
• 時系列解析の結果、本フレームワークは攻撃開始後10–16秒の間に攻撃を検出することが確認され、EKFの23秒の遅延を著しく上回った。