[论文解读] This Car is Mine!: Automobile Theft Countermeasure Leveraging Driver Identification with Generative Adversarial Networks

Kyung Ho Park, Huy Kang Kim|arXiv (Cornell University)|Nov 22, 2019

Autonomous Vehicle Technology and Safety参考文献 14被引用 7

一句话总结

本文提出一种基于生成对抗网络（GAN）的驾驶员识别系统，用于汽车盗窃防范措施，该系统仅使用车主驾驶员数据进行训练，无需盗贼数据。通过利用训练好的GAN判别器对驾驶模式进行分类，该方法在提升隐私保护、经济可行性及抗逆向工程能力的同时，实现了高精度的车主检测，可在无需额外传感器的标准车辆上实现实际部署。

ABSTRACT

As a car becomes more connected, a countermeasure against automobile theft has become a significant task in the real world. To respond to automobile theft, data mining, biometrics, and additional authentication methods are proposed. Among current countermeasures, data mining method is one of the efficient ways to capture the owner driver's unique characteristics. To identify the owner driver from thieves, previous works applied various algorithms toward driving data. Such data mining methods utilized supervised learning, thus required labeled data set. However, it is unrealistic to gather and apply the thief's driving pattern. To overcome this problem, we propose driver identification method with GAN. GAN has merit to build identification model by learning the owner driver's data only. We trained GAN only with owner driver's data and used trained discriminator to identify the owner driver. From actual driving data, we evaluated our identification model recognizes the owner driver well. By ensembling various driver authentication methods with the proposed model, we expect industry can develop automobile theft countermeasures available in the real world.

研究动机与目标

• 解决为监督式驾驶员识别模型训练而获取盗贼驾驶数据的挑战。
• 开发一种仅依赖车主驾驶员数据的实用型汽车盗窃防范措施，避免隐私和数据采集问题。
• 通过使用基于GAN的判别器作为黑箱分类器，提升安全性和可行性，使其难以被逆向工程。
• 通过使用CAN总线数据实现现有车辆的部署，避免昂贵的硬件升级。
• 通过与其他认证方法（如设备配对）集成，支持实际应用。

提出的方法

• 仅使用车主驾驶员的驾驶数据训练GAN，重点提升判别器区分真实（车主）与伪造（非车主）驾驶模式的能力。
• 将训练好的判别器用作二分类器，判断传入的驾驶数据是否匹配车主独特的驾驶风格。
• 从CAN总线数据中提取驾驶特征，包括油门、制动和转向输入，作为GAN的输入表示。
• 采用改进的GAN架构（RGAN），以提升单类分类中的泛化能力和鲁棒性。
• 实施集成策略，将基于GAN的模型与补充方法（如设备配对）结合，以降低误报率和漏报率。
• 设计反馈回路，当检测到误报时，触发基于新数据的重新训练，实现模型的持续优化。

实验结果

研究问题

• RQ1 基于GAN的模型能否仅使用车主数据实现可靠的驾驶员识别，而无需标注的盗贼数据？
• RQ2 在单类驾驶员识别任务中，基于GAN的判别器性能与传统监督模型相比如何？
• RQ3 该方法在不增加传感器或硬件的前提下，能在多大程度上部署于现有车辆？
• RQ4 如何通过与其他认证方法（如设备配对）的集成来增强模型性能？
• RQ5 通过避免收集非车主驾驶数据，该系统能否在保护隐私和安全性方面保持有效？

主要发现

• 基于GAN的模型仅使用车主数据即可实现高精度的车主驾驶员识别，证明了其在实际部署中的可行性。
• 该模型在训练过程中无需任何盗贼数据，即可有效区分车主与非车主的驾驶模式。
• 该系统具有经济可行性，仅依赖CAN总线数据，无需额外传感器或硬件。
• GAN判别器的黑箱特性增强了安全性，使识别逻辑难以被逆向工程。
• 与设备配对认证方法集成后，显著降低了误报率和漏报率，提升了系统可靠性。
• 基于误检结果的反馈机制可实现模型的长期可持续性与自适应能力。