[论文解读] 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 7

一句话总结

本文提出了一种无监督的汽车盗窃检测方法，通过在车主驾驶数据上应用k-means聚类来检测表明盗窃行为的异常，无需依赖标记的盗贼数据，最高准确率达99.01%。该方法利用CAN总线特征（如变速器油温、变矩器转速等）来建模正常驾驶行为，并将偏差识别为潜在的盗窃尝试。

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.

研究动机与目标

• 解决在智能汽车中检测汽车盗窃行为的挑战，且不依赖标记的盗贼驾驶数据。
• 开发一种仅使用合法车主驾驶数据进行训练的盗窃检测系统。
• 实现实时检测未经授权的驾驶行为，通过识别与车主正常驾驶模式的偏差。
• 评估无监督学习在真实车辆系统中用于驾驶员身份认证和盗窃检测的可行性。

提出的方法

• 对从车主驾驶数据中提取的关键特征应用k-means聚类，以建模正常驾驶行为。
• 该算法将驾驶数据划分为若干簇，代表车主的典型驾驶模式。
• 通过测量原始驾驶数据映射回最近聚类中心时的重构误差来检测异常。
• 该方法使用原始CAN总线信号作为输入特征，如变速器油温、变矩器转速和怠速发动机转速。
• 通过整合五个独立模型的预测结果构建模型集成，以提高盗窃检测的精度。
• 针对每个特征优化阈值，以在精度、召回率和F1分数之间取得平衡，实现最佳检测性能。

实验结果

研究问题

• RQ1 仅使用合法车主的驾驶数据而无需任何盗贼数据，无监督学习能否检测汽车盗窃？
• RQ2 k-means聚类在建模车辆系统中正常驾驶行为用于异常检测方面效果如何？
• RQ3 哪些CAN总线特征在检测未经授权驾驶行为方面能实现最高准确率？
• RQ4 模型集成能否在保持高召回率的同时提高检测精度，适用于实际部署？

主要发现

• 基于变速器油温的Model TOT达到最高准确率99.01%，精度为97.77%，召回率为95.93%，F1得分为96.84%。
• 其他使用变矩器转速、怠速发动机转速等特征的独立模型准确率在97%至98.26%之间。
• 模型集成达到98.11%的准确率，99.30%的精度，88.75%的召回率，以及93.73%的F1得分，表明在减少误报方面表现优异。
• Model TOT展现出最佳综合性能，检测到95.93%的实际盗窃案例，适用于高召回率应用场景。
• 该方法无需标记的盗贼数据即可成功检测盗窃尝试，证明其在实际部署中的可行性。
• 本研究证实，对正常驾驶模式进行无监督聚类可有效识别表明车辆被盗的异常行为。