Détection d'anomalies dans les réseaux véhiculaires en utilisant un LLM

Les réseaux véhiculaires ou les communications V2X, forment la base des systèmes de transport intelligents. Ils permettent aux véhicules d’interagir entre eux et avec l’infrastructure, favorisant ainsi un environnement de transport plus sûr et mieux coordonné. Les échanges périodiques de données entre véhicules se font grâce à des messages appelés des messages de sécurité de base (BSM), qui comportent des informations essentielles sur chaque véhicule, telles que sa position, sa vitesse et son accélération. Ces BSM jouent un rôle crucial dans les applications de sécurité routière. Cependant, ils peuvent être exploités par des acteurs malveillants qui manipulent le contenu de ces messages afin de perturber la communication, diffuser des informations incorrectes et compromettre la sécurité routière des véhicules ou le fonctionnement des systèmes de transport, créant ainsi des situations aux conséquences néfastes, voire dangereuses. Pour adresser cette problématique, nous explorerons l’utilisation d’un modèle de langage large (LLM) pré-entraîné appelé Mistral-7B pour détecter ces tentatives. Notre système de détection des comportements anormaux (MDS) exploite les capacités du LLM pour analyser les séquences de BSM et identifier les véhicules présentant des comportements suspects. Nous avons entrainé Mistral-7B sur la version étendue de l’ensemble de données VeReMi, obtenant ainsi des performances significatives avec une précision de 98 %, surpassant d’autres LLM tels que LLAMA2-7B et roBERTa. De plus, nous avons étudié l’impact de la taille de la fenêtre sur les coûts de calcul pour un déploiement optimal. L’utilisation des LLM dans un MDS améliore la sécurité des réseaux de véhicules, favorisant ainsi la sécurité des usagers de la route.

Abstract

Vehicular networks serve as the fundamental backbone of modern transportation systems. Notably, V2X communications enable vehicles to interact with each other and with infrastructure, fostering a more coordinated and secure transportation environment. These communications involve the exchange of messages containing crucial information about each vehicle’s status, including its position, heading, speed, and acceleration. These messages, known as Basic Safety Messages (BSMs), play a critical role in vehicular safety applications. However, malicious users could manipulate these messages to disrupt communication, disseminate incorrect information, with the intent to compromise the operation of the transportation system or road user security and create hazardous situations, ultimately resulting in adverse consequences. Thus, we propose addressing this issue by utilizing a pre-trained Large Language Model (LLM) called Mistral-7B to identify these attempts. Our proposed Misbehavior Detection System (MDS) utilizes the capabilities of the LLM to analyze a sequence of BSMs and identify vehicles displaying abnormal behaviors. To achieve this, we fine-tuned Mistral-7B using the extended VeReMi dataset, achieving an accuracy of 98%, surpassing that of other large language models such as LLAMA2-7B and roBERTa. Additionally, we examined how window size impacts computational costs to ensure optimal deployment. The use of LLMs in MDS enhances the security of vehicular networks, thus advancing the safety of road users.