典型文献
基于轻量级密集神经网络的车载自组网入侵检测方法
文献摘要：
在车载自组网中,攻击者可以通过伪造、篡改消息等方式发布虚假交通信息,导致交通拥堵甚至是严重的交通事故,而传统的入侵检测方法不能满足车载自组网的应用需求.为了解决现阶段车载网中入侵检测方法性能低且存储与时间成本高的问题,提出了 一种基于密集神经网络的入侵检测方法L-DenseNet(Light Dense Neural Network),通过降低模型复杂性,提升算法训练速度和部署适应性,使其更适用于车载 自组网中的入侵检测.在VeReMi数据集上进行对比实验,结果表明,该方法在识别各类攻击的精确率和召回率的综合表现最好,且具有较少的时间成本和存储开销.
文献关键词：
车载自组网;密集神经网络;入侵检测;深度学习
中图分类号：
作者姓名：
黄学臻;翟翟;周琳;祝雅茹
作者机构：
公安部第一研究所,北京100044;北京交通大学智能交通数据安全与隐私保护技术北京市重点实验室,北京100044
文献出处：
引用格式：
[1]黄学臻;翟翟;周琳;祝雅茹-.基于轻量级密集神经网络的车载自组网入侵检测方法)[J].电子技术应用,2022(07):67-73
A类：
VeReMi
B类：
轻量级,密集神经网络,车载自组网,入侵检测方法,攻击者,伪造,篡改,交通信息,交通拥堵,交通事故,应用需求,车载网,时间成本,DenseNet,Light,Neural,Network,模型复杂性,算法训练,训练速度,精确率,召回率,综合表现,存储开销
AB值：
0.291319
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
