[论文解读] 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 9

一句话总结

本文提出了一种基于LSTM预测模型的实时欺骗攻击检测方法，用于自动驾驶汽车，通过估算连续车辆位置之间的行驶距离来检测欺骗攻击。通过将预测距离与实际GNSS测量值进行比较，并结合定位误差和预测误差的阈值，该系统利用comma2k19驾驶数据集实现了高精度的欺骗攻击检测。

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.

研究动机与目标

• 解决由于C/A码开放访问和信号强度弱，导致自动驾驶汽车GNSS易受欺骗攻击的问题。
• 开发一种实时检测机制，在欺骗GNSS信号影响车辆导航之前识别其存在。
• 利用CAN、GNSS和IMU数据的传感器融合，训练用于距离估算的预测模型。
• 基于GNSS定位误差和预测误差，建立动态阈值以实现可靠的攻击检测。
• 使用comma2k19数据集的真实世界驾驶数据验证基于预测的方法的有效性。

提出的方法

• 使用从CAN、GNSS和IMU传感器提取的特征（包括加速度、方向盘转角、速度和行驶距离）训练LSTM循环神经网络。
• 基于连续的传感器数据序列，模型预测当前车辆位置与下一个未来位置之间的距离。
• 通过最大绝对预测误差和GNSS设备的已知定位误差计算阈值。
• 通过实时比较预测距离与实际GNSS报告的距离，检测出可能指示欺骗的差异。
• 任何超过阈值的偏差都会被系统标记为潜在的欺骗攻击。
• 该方法采用时间序列建模策略，检测轨迹一致性的异常。

实验结果

研究问题

• RQ1 基于多传感器数据的LSTM预测模型能否有效估算连续车辆位置之间的行驶距离？
• RQ2 如何将预测误差与GNSS定位误差结合，以建立可靠的欺骗攻击检测阈值？
• RQ3 该方法在使用真实世界驾驶数据时，能够在多大程度上实现实时欺骗攻击检测？
• RQ4 在不同驾驶条件和传感器噪声水平下，系统性能如何？
• RQ5 CAN、GNSS和IMU的传感器融合对欺骗检测的准确性和鲁棒性有何影响？

主要发现

• LSTM模型在使用多传感器输入时，对连续车辆位置之间行驶距离的预测表现出高精度。
• 检测系统通过比较预测距离与实际GNSS报告的距离，成功实现实时欺骗攻击检测。
• 基于组合预测误差和定位误差的阈值有效减少了误报，同时保持了高检测灵敏度。
• 该方法在comma2k19数据集中的多样化驾驶场景下表现出稳健性能。
• 系统在无需加密信号或欺骗模式先验知识的情况下实现了可靠检测。
• 该方法计算效率高，适合在自动驾驶汽车中实时部署。