[论文解读] 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 5

一句话总结

该论文提出FSDV，一种基于雾计算的VANETs中Sybil攻击检测框架，利用车辆的车载单元（OBUs）在守护节点周围形成动态雾层。通过分析广播消息中的速度差异与动态阈值，FSDV相较于现有方案，在高车辆密度下将处理延迟降低43%，开销减少13%，误报率降低35%。

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.

研究动机与目标

• 解决高密度VANET中Sybil攻击检测的高处理延迟、网络开销和误报率（FPR）问题。
• 克服现有方案依赖路边单元（RSUs）、信任评分或历史车辆数据的局限性。
• 仅利用车载资源和动态雾层形成，实现去中心化、低延迟的恶意节点检测。
• 在无需依赖基础设施的前提下，确保在高移动性和不断增加的恶意节点比例下具备稳健的检测性能。

提出的方法

• 引入一个守护节点，利用其通信范围内所有车辆的OBUs动态构建雾层。
• 利用广播消息中的速度值计算残差，以表征与预期车流的偏离程度。
• 基于实时交通状况应用动态阈值，检测显著的速度异常，以指示Sybil攻击。
• 利用分布式OBUs计算，相比集中式或单个OBU处理，降低处理延迟并提高检测效率。
• 消除对RSUs、信任评分或历史车辆数据的依赖，降低开销和误报。
• 在OMNeT++和SUMO仿真器中实现该框架，评估不同车辆密度和恶意节点密度下的性能表现。

实验结果

研究问题

• RQ1 与依赖RSU或信任机制的方案相比，基于OBU的去中心化雾计算方法是否能降低Sybil攻击检测的处理延迟和误报率？
• RQ2 在高车辆密度和恶意节点比例不断增加的情况下，所提出的FSDV框架性能如何扩展？
• RQ3 动态阈值机制在多大程度上提升了检测准确性，同时最小化了误报？
• RQ4 与现有方案（PoW、IDS、TM）相比，FSDV框架在处理延迟、开销、吞吐量和分组丢失率方面表现如何？
• RQ5 该框架是否能在不依赖历史数据或信任度量的情况下，保持高真正例率（TPR）和低误报率（FPR）？

主要发现

• 在高车辆密度（4000辆车）下，FSDV相较于现有方案（PoW、IDS、TM）将数据处理延迟降低了43%。
• 与现有方案相比，误报率（FPR）降低了35%，在40%恶意节点比例下，FPR降低了31%。
• 网络开销比现有方案低13%，在40%恶意节点比例下，相比PoW、IDS和TM分别降低了7%、6%和10%。
• 在所有车辆密度下，FSDV的平均吞吐量比现有方案高出14%至19%。
• 在恶意节点比例达30%时，真正例率（TPR）保持在100%，在40%恶意节点比例时仅轻微下降至98.7%。
• 在4000辆车时，分组丢失率（PLR）比现有方案低22%至38%，表明在高移动性条件下具备更高的可靠性。