VeReMi

VeReMi数据集是由乌尔姆大学创建的，旨在为车辆自组织网络中的不当行为检测提供一个公共可扩展的基准。该数据集包含225个独立的模拟执行，涵盖不同的攻击者类型和交通密度，允许研究人员重现生成过程并贡献新的攻击。VeReMi数据集的应用领域主要集中在车辆网络的安全性评估，特别是检测和防止恶意消息的传播，从而提高道路安全和交通效率。The VeReMi dataset was created by Ulm University to serve as a publicly available and scalable benchmark for misbehavior detection in vehicular ad hoc networks (VANETs). It comprises 225 independent simulation runs covering various attacker types and traffic densities, enabling researchers to reproduce the dataset generation workflow and contribute new attack scenarios. The primary application domains of the VeReMi dataset focus on security evaluation of vehicular networks, specifically detecting and preventing the spread of malicious messages, thereby enhancing road safety and traffic efficiency.

搜集汇总

数据集介绍

构建方式

VeReMi数据集的构建方法主要基于车辆网络中恶意行为检测的需求。数据集包含了225个模拟执行，模拟了不同密度的交通情况，并引入了5种不同的攻击者，每种攻击者密度和交通密度都有3个不同的级别，并且每种参数组合都有5次重复。模拟执行使用VEINS工具进行车辆模拟，并在LuST场景中进行。每个模拟执行都记录了每辆车的消息日志，包括速度、传输时间、接收时间、位置和接收信号强度指示（RSSI）。同时，还提供了包含攻击者行为的真实数据文件。这样，任何检测器都可以读取消息序列并确定每条消息的可靠性。

特点

VeReMi数据集具有以下特点：1）公开可扩展：允许任何人在不违反数据集生成过程的前提下，重现数据集的生成过程，并贡献新的攻击和检测机制；2）多样性：数据集包含了不同密度和攻击者行为的模拟执行，能够评估检测机制在多种情况下的表现；3）真实性强：模拟执行基于Luxembourg交通场景（LuST），具有较高的现实参考价值；4）易于使用：数据集以消息日志的形式发布，方便研究人员进行检测研究。

使用方法

使用VeReMi数据集进行恶意行为检测研究的方法如下：1）下载VeReMi数据集和生成数据集的源代码；2）根据需要选择不同的参数组合进行模拟执行；3）使用Maat评估框架执行多个检测器，并设置不同的阈值；4）使用数据集提供的消息日志和真实数据文件进行检测器的训练和评估；5）根据评估结果，分析检测器的性能，并进行改进。

背景与挑战

背景概述

在车辆自组织网络（VANETs）中，车辆间通信对于合作自动驾驶技术的实现至关重要。这些网络中的关键信息是广播认证的周期性单跳信标，用于安全应用，如碰撞避免和交通拥堵检测。然而，广播认证不足以保证信息的准确性。因此，误行为检测的目标是分析应用程序数据以及这些网络物理系统中物理过程的知识，以检测不正确的信息，从而实现对恶意信息传输车辆的本地撤销。由于缺乏参考数据集，比较不同检测机制的研究很少。VeReMi数据集的创建旨在解决这一挑战，它是一个可扩展的公共数据集，允许任何人重现生成过程，以及贡献攻击和使用数据来比较新的检测机制与现有机制。VeReMi数据集的创建由德国乌尔姆大学的Rens W. van der Heijden、Thomas Lukaseder和Frank Kargl共同完成，该数据集对于VANETs中误行为检测领域的研究具有深远的影响。

当前挑战

VeReMi数据集在解决VANETs中误行为检测领域问题方面面临以下挑战：1) 需要建立一个能够准确检测所有可能攻击的单一检测机制；2) 需要有效地融合来自多个源的信息，以提高检测性能。此外，VeReMi数据集在构建过程中也遇到了挑战，例如，如何确保数据集的准确性和代表性，以及如何处理数据集在交互性或应用决策方面的局限性。

常用场景

经典使用场景

在车辆自组织网络（VANETs）中，车辆间的通信对于提高道路安全和交通效率至关重要。然而，确保这些消息的正确性是一项挑战。VeReMi数据集为研究人员提供了一个基准，用于评估和比较不同异常行为检测机制。该数据集记录了车辆在网络中的通信，并包含了攻击者行为的真实情况，使得研究人员可以评估检测机制在不同交通密度和攻击者类型下的性能。

衍生相关工作

VeReMi数据集的发布推动了VANETs中异常行为检测领域的研究进展。基于VeReMi数据集，研究人员可以进行更深入的实验和分析，以改进现有的检测机制或开发新的检测算法。此外，VeReMi数据集还可以用于评估和比较不同类型的攻击，以及研究不同检测机制在融合场景下的性能。这些研究工作有助于提高VANETs的可靠性和安全性，并为未来智能交通系统的发展提供支持。

数据集最近研究

最新研究方向

VeReMi数据集的发布，为车载自组织网络（VANETs）中异常行为检测的比较评估提供了基础。该数据集允许研究人员重现生成过程，并贡献攻击场景，使用这些数据来比较新的检测机制与现有机制的优劣。该数据集的最新研究方向集中在数据融合，旨在通过结合多个检测机制的信息来提高检测性能。此外，VeReMi数据集还推动了在车载网络中应用机器学习技术进行异常行为检测的研究。未来的工作将更深入地研究现有的度量指标，并探索新的度量方法，以更好地评估检测机制的性能。

相关研究论文

• VeReMi: A Dataset for Comparable Evaluation of Misbehavior Detection in VANETs

  乌尔姆大学 · 2018年