Système de détection de comportement suspect sur le réseau de véhicules basé sur la prédiction en deux étapes, l'algorithme d'apprentissage profond et les messages de sécurité de base

Misbehavior Detection System on Vehicular Network based On 2-Step Prediction, Deep Learning Algorithm and Basic Safety Messages

• Auteur / Autrice : Nur Cahyono Kushardianto
• Direction : Yassin El hillali, Charles Tatkeu, Soheyb Ribouh, Wilson Goudalo
• Type : Thèse de doctorat
• Discipline(s) : Télécommunication
• Date : Soutenance le 31/01/2023
• Etablissement(s) : Valenciennes, Université Polytechnique Hauts-de-France
• Ecole(s) doctorale(s) : École doctorale polytechnique Hauts-de-France (Valenciennes, Nord ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Institut d'Electronique, de Microélectronique et de Nanotechnologie
• Partenaire(s) de recherche : Etablissement délivrant conjointement le doctorat : Institut national des sciences appliquées Hauts-de-France (Valenciennes, Nord ; 2019-....)
• Jury : Président / Présidente : Hacène Fouchal
• Jury : Examinateurs / Examinatrices : Yassin El hillali, Charles Tatkeu, Soheyb Ribouh, Wilson Goudalo, Hacène Fouchal, Raja Elassali, Nadia Lynda Mokdad, Meriem Chrifi Alaoui
• Jury : Rapporteurs / Rapporteuses : Hacène Fouchal, Raja Elassali

Mots clés

Mots clés contrôlés

Véhicules connectés

Apprentissage profond

Automobiles -- Systèmes d'aide à la conduite

Mots clés libres

Détection

Compertement Suspect

Le Réseau de Véhicules

Apprentissage Profond

2 Étapes

Detection

Misbehavior

Vehicular Network

Deep Learning

2-Step

Résumé

Durant cette dernière décennie, on constate qu’un nombre important et de plus en plus croissant de personnes utilisent leur véhicule personnel comme mode de transport principal. Cette situation a un impact sur les conditions de circulation qui sont de plus en plus imprévisibles, les embouteillages et les accidents qui augmentent d'année en année. Pour tenter de surmonter ces problèmes, on a recours à des systèmes de transports intelligents (STI) qui semblent assez prometteurs avec des possibilités d’échanges d’informations par les liens de communication V2X – Vehicle to Every Things. Ainsi, avec la modernisation des infrastructures de transports, l’amélioration continue des dispositifs de sécurité au sein des véhicules et l’utilisation des technologies de l'information et de la communication pour compléter les dispositifs ADAS existants d’aide à la conduite, les systèmes de transports intelligents tentent de réduire significativement les accidents et fluidifier le trafic. En l’exemple, les STI peuvent automatiquement fournir une alerte précoce des dangers sur la route ou peuvent même prendre contrôle du véhicule en cas de défaillance ou d’insuffisances du conducteur et lui éviter la perte de contrôle de son véhicule. Les systèmes de transport intelligents dépendent de la technologie de réseau et s’appuient sur les systèmes de communications sans fil pour établir des liens V2V et V2I – Véhicule à Véhicule et Véhicule à Infrastructure. Et si la sécurité des liens n'est pas assurée, ce système sophistiqué peut occasionner des dommages. Étant ouverte,la technologie de réseau est assez vulnérable aux interférences et exposée aux attaques par l’envoi de messages inappropriés, de mauvais comportement qui peuvent prendre la forme de messages de dysfonctionnement ou d'attaques. Pour surmonter cela et protéger les communications, on peut avoir recours aux techniques qui mettent en oeuvre le système de détection de comportement suspect (MBD) qui fonctionne comme un système de détection d'intrusion (IDS). L'IDS traditionnel fonctionne en utilisant des modèles d'attaques de base de données. Parallèlement à la technologie de réseau de plus en plus complexe, le système MBD a de plus en plus de difficultés à détecter de nouveaux modèles d'attaque. Pour cette raison, il est nécessaire et indispensable de mettre en œuvre, une technologie capable de s'adapter à n'importe quel modèle d'attaque. Ainsi, les travaux de dans cette recherche que nous avons développés, proposent une méthode de sécurisation utilisant la technique de Machine Learning comme base d'un IDS. La méthode que nous avons proposée peut prédire le comportement d’un véhicule, que le véhicule soit ou non un attaquant, sur la base des informations de position et de vitesse du véhicule. Avec l'aide de cette méthode, nous pouvons simplifier les informations nécessaires pour reconnaître les comportements anormaux sur le réseau véhiculaire. De plus, nous avons développé également un système de prédiction basé sur des messages de sécurité de base, qui servent de norme de l'industrie pour la communication des véhicules dans l'écosystème Cooperative ITS (C-ITS). Ce système, qui prédit si un message provient ou non du véhicule de l'attaquant, a le potentiel de servir d'alternative à l'IDS. Les deux approches ont été évaluées hors ligne et en ligne avec des résultats très encourageants. Ils offrent des perspectives intéressantes avec des potentialités de développement pour l'avancement de la technologie de sécurité au C-ITS en général.

Over the past decade, we have seen that a large and growing number of people usetheir own vehicles as their main mode of transportation. This situation has an impact on traffic conditions that are increasingly unpredictable. Traffic jams and accidents are increasing from year to year. To try to overcome these problems, we use Intelligent Transport System (ITS) which seems quite promising with the possibility of exchanging information through V2X – Vehicle to Ever Things communication links. Thus, with the modernization of transport infrastructures, the continuous improvement of safety devices within vehicles and the use of information and communication technologies to supplement the existing ADAS devices for driving assistance, intelligent transport systems attempt to significantly reduce accidents and make traffic flow more smoothly. For example, intelligent transportation systems can automatically provide early warning of hazards on the road or can even take control of the vehicle in the even of driver failure or inadequacies and prevent him from losing control of his vehicle. But this sophisticated system will bring harm if the security side is not noticed. Intelligent transportation systems depend on network technology and rely on wireless communications systems to establish V2V and V2I– Vehicle to Vehicle and Vehicle to Infrastructure links. And if the security of the links is not ensured, this sophisticated system can cause damage. Being open, network technology is quite vulnerable to interference and exposed to attacks by sending inappropriate messages, misbehavior messages which can be in the form of malfunction messages or attacks. To overcome this and protect communications, techniques can be used which implement the MisBehavior Detection (MBD) System which works like an Intrusion Detection System (IDS). Traditional IDS works by using database patterns of attacks. Along with the increasingly complex network technology, the MBD system is finding it increasingly difficult to detect new attack patterns. For this reason, it is necessary and essential to implement a technology that can adapt to any pattern of attack. Thus, the research work we developed, proposes a security method using Machine Learning technique as a basis of an IDS. The method we proposed can predict the behavior of a vehicle, regardless of whether or not the vehicle is an attacker, based on the vehicle's position and speed information. With the help of this method, we can simplify the necessary information needed to recognize misbehavior on the vehicular network. In addition, we developed also provide a prediction system based on basic safety messages, which serve as the industry standard for vehicle communication in the Cooperative ITS (C-ITS) ecosystem. This system, which predicts whether or not a message comes from the attacker’s vehicle, has the potential to serve as an alternative to IDS. Both approaches have been evaluated offline and online with very encouraging outcomes. They offer interesting prospects with potential development for the advancement of C-ITS security technology in general.