薛宏伟，刘 赢，庄伟超，殷国栋，

（1. 东南大学网络空间安全学院，南京 211189；2. 东南大学机械工程学院，南京 211189）

前言

车联网（vehicle⁃to⁃everything，V2X）是智慧交通系统未来发展的关键，能够大幅提升交通出行效率。车联网可以实现车辆与周围具备设施进行互联互通，主要包含车与车通信、车与行人通信、车与基础设施通信、车与互联网通信等，车辆会定时广播包含车辆状态信息的基础安全信息（basic safety messages，BSM）［1］，恶意节点可能篡改BSM，伪造交通事故，这些异常行为会破坏车联网通信能力，甚至威胁到驾乘者的生命安全。因此，学者们提出在车联网中部署异常检测系统，目前的异常检测方法根据检测技术主要分为两类，即基于规则的检测和基于异常的检测。

基于规则的检测方法依赖已知攻击规则知识库，通过与知识库比对判断是否为异常行为［2］。Tomandl 等［3］提出一种基于动态规则的REST⁃Net 车联网检测系统，具有动态自适应警告特点。但是基于规则的检测方法只能检测已知攻击，无法检测未知攻击，所以学者们更加倾向于研究基于异常的检测方法。基于异常的检测方法是通过构建模型来判断车辆行为是否属于异常。很多学者将机器学习应用到车联网异常行为检测领域［4-5］，刘湘雯等［6］提出了一种基于弱分类器集成的虚假交通信息检测方法，扩充消息分组的有效特征，将分类结果集成来判断警报信息的真实性，降低了检测时间，且检测率高于使用部分特征的检测方案。Van Der Heijden 等［7］首次提出并公开车联网的异常检测专用数据集VeReMi，后续很多学者［8-10］利用支持向量机、K 近邻、决策树、随机森林等机器学习方法对VeReMi 数据集进行分析，并指出数据集中标签的不合理性。……