[论文解读] 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 4

一句话总结

本文提出GPS-IDS，一种基于异常检测的自动驾驶汽车入侵检测系统，利用物理增强的动态自行车模型检测GPS欺骗攻击。通过从车辆行为中提取时间特征并应用机器学习，GPS-IDS在包含69,000个正常与攻击数据实例的真实世界AV-GPS-Dataset上，实现了高达94.4%的F1分数，检测时间相比EKF减少13秒。

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.

研究动机与目标

• 为应对自动驾驶汽车日益增长的GPS欺骗攻击威胁，此类攻击可能导致导航失败和安全风险。
• 开发一种全面的入侵检测系统，通过检测GPS导航行为中的异常，而非依赖孤立的传感器数据。
• 创建并发布一个真实世界数据集（AV-GPS-Dataset），记录正常和欺骗的GPS行为，供公众研究使用。
• 在实时自动驾驶场景中，提升检测速度和准确性，超越现有方法如扩展卡尔曼滤波（EKF）。
• 将基于物理的车辆动力学与机器学习相结合，实现自动驾驶导航系统中稳健的异常检测。

提出的方法

• 该框架引入一种改进的动态自行车模型，集成GPS导航模型，以准确表示自动驾驶汽车的行为。
• 从基于物理的车辆行为模型中提取时间特征，以捕捉正常的驾驶动态和横向运动特性。
• 训练机器学习模型——特别是MLP、随机森林、XGBoost和决策树——以区分正常与异常的导航模式。
• 选择0.4–0.5的检测阈值作为最优，以最小化误报和漏报。
• 在AV-GPS-Dataset上评估系统，该数据集为在欺骗攻击下从自动驾驶汽车试验平台收集的真实世界数据。
• 检测性能与基于EKF的检测方法进行基准对比，采用时间序列分析评估检测延迟。

实验结果

研究问题

• RQ1 基于物理的车辆行为模型在多大程度上能提升自动驾驶汽车中GPS欺骗攻击的检测能力？
• RQ2 在基于异常的GPS欺骗攻击检测中，何种检测阈值能最小化误报和漏报？
• RQ3 在真实世界场景中，所提出的GPS-IDS框架在检测速度和准确性方面与基于EKF的检测方法相比如何？
• RQ4 基于物理增强车辆模型的时间特征训练的机器学习模型，能在导航误差造成显著影响前多早检测到欺骗攻击？
• RQ5 从实地实验中收集的真实世界GPS欺骗攻击数据集，是否能实现更可靠且更具泛化能力的入侵检测系统评估？

主要发现

• GPS-IDS在检测GPS欺骗攻击时达到最高94.4%的F1分数，显著优于基线方法。
• 与基于EKF的检测算法相比，系统检测时间最多减少13秒，其中性能最佳的MLP模型仅用10秒即完成攻击检测。
• 检测阈值0.4–0.5使误报率（0.0021）和漏报率（0.0012）最低，表明在灵敏度与特异性之间达到最佳平衡。
• 所有测试的机器学习模型（MLP、RF、XGB、DT）均在EKF之前检测到欺骗攻击，其中MLP在两种训练场景下均实现最快10秒检测时间。
• AV-GPS-Dataset包含超过69,000个真实世界实例的正常与欺骗GPS数据，已公开发布，是首个从物理自动驾驶汽车试验平台收集的此类数据集。
• 时间序列分析证实，所提框架在攻击启动后10–16秒内完成检测，显著优于EKF的23秒延迟。