用于VANET中攻击检测与分类的高效模糊排序与集成机器学习网络

车载自组织网络（VANETs）是现代智能交通系统（ITS）的重要组成部分，充当车辆、路侧交通与各类服务之间的接口。这些网络提供了更高的安全性、交通管理和信息娱乐功能，但其开放性以及对无线通信的依赖使其容易受到各种安全攻击和威胁。随着VANETs的日益普及，确保其安全性对其成功应用和推广至关重要。保障VANETs安全的关键挑战之一，是对可能破坏网络功能、危害安全或降低性能的攻击进行检测和分类。为了解决上述问题，本研究针对VANET开发了一种新型攻击检测模型。通过在线资源支持获取网络数据。流量数据经过数据清洗流程，随后对清洗后的数据进行归一化处理以组织数据。接着，开发了基于现代化随机参数的绿水蚺优化（MRP-GAO）算法来执行最优加权特征选择（OWFS）。为检测VANET攻击，建立了集成机器学习模型（EMLM），其中融合了Bayesian network、AdaBoost、Support Vector Machine（SVM）和Multi-Layer Perception（MLP）。在此之后，采用模糊排序方法确定VANET模型中的最终攻击检测结果。对所提模型进行了效率分析，以验证其与其他对比技术相比的检测性能。