Οι στόχοι αυτής της διπλωματικής εργασίας περιλαμβάνουν:

• Τη διεξαγωγή βιβλιογραφικής ανασκόπησης σχετικά με τα συστήματα CCAM, την ανίχνευση ανωμαλιών και την ανίχνευση κακής συμπεριφοράς οχημάτων.
• Την ανάπτυξη με MATLAB ενός μοντέλου για συστήματα τοπικής ανίχνευσης, και συνεργατικής λήψης απόφασης για την ανίχνευση κακής συμπεριφοράς στα συστήματα CCAM.
• Εφαρμογή αλγορίθμων συνεργατικής ανίχνευσης για τη λήψη απόφασης μέσω φήμης (reputation), συναίνεσης (consensus), ψήφου κλπ.
• Αξιολόγηση της επίδοσης των αναπτυγμένων αλγορίθμων με τη χρήση μελετών μέσω προσομοίωσης.

Το CCAM (Cooperative, Connected and Automated Mobility) είναι μια αναδυόμενη τεχνολογία που αξιοποιεί τις σύγχρονες τηλεπικοινωνίες για να επιτρέψει τη συνεργασία και τον συντονισμό μεταξύ συνδεδεμένων οχημάτων, υποδομών και άλλων χρηστών στο οδικό περιβάλλον. Τα συστήματα CCAM αναμένεται να βελτιώσουν την ασφάλεια, την αποτελεσματικότητα και τη βιωσιμότητα των οδικών μεταφορών διευκολύνοντας την ανταλλαγή πληροφοριών για την κυκλοφορία σε πραγματικό χρόνο, την επίγνωση της κατάστασης και τις προειδοποιήσεις μεταξύ των οχημάτων και της υποδομής.

Ωστόσο, η αποτελεσματικότητα των συστημάτων CCAM εξαρτάται σε μεγάλο βαθμό από την αξιοπιστία των πληροφοριών που ανταλλάσσονται μεταξύ των συμμετεχόντων. Κόμβοι που αν και νόμιμοι παρουσιάζουν ανάρμοστη συμπεριφορά (misbehaviour), όπως κακόβουλα ή δυσλειτουργικά οχήματα ή υποδομές, μπορούν να θέσουν σε κίνδυνο την απόδοση και την ασφάλεια ολόκληρου του συστήματος. Ως εκ τούτου, ο εντοπισμός και ο μετριασμός των κακών συμπεριφορών στα συστήματα CCAM είναι μια κρίσιμη ερευνητική πρόκληση.

Έχουν προταθεί αρκετές τεχνικές για τον εντοπισμό και τον μετριασμό των κακών συμπεριφορών στα συστήματα CCAM. Αρχικά αφορά τον τοπικό εντοπισμό της περίεργης συμπεριφοράς μέσω μετρήσεων που προκύπτουν με σύντηξη πληροφορίας από τα λαμβανόμενα μηνύματα και την παρατήρηση του περιβάλλοντος. Στη συνέχεια, αυτή η «υποψία» ή «αμφιβολία» μοιράζεται με τους άλλους χρήστες για την ανίχνευση του «κακού».

Υπάρχουν διάφορες τεχνικές:

a)      Τεχνικές που βασίζονται στη φήμη.

b)      Τεχνικές που βασίζονται στη συναίνεση.

c)      Τεχνικές θεωρίας παιγνίων.

d)      Τεχνικές μηχανικής μάθησης.

Πρόθεση είναι η ενασχόληση με το (a) ή το (b) αν και ανάλογα με το background μπορούν να διερευνηθούν και άλλες λύσεις.

Οι τεχνικές φήμης βασίζονται στην υπόθεση ότι η πιθανότητα κακής συμπεριφοράς ενός κόμβου είναι ανάλογη με την προηγούμενη συμπεριφορά του. Με άλλα λόγια, ένας κόμβος με καλή φήμη είναι πιο πιθανό να συμπεριφέρεται σωστά στο μέλλον από έναν κόμβο με κακή φήμη. Οι τεχνικές που βασίζονται στη φήμη αξιολογούν την αξιοπιστία ενός κόμβου με βάση τις προηγούμενες αλληλεπιδράσεις του και χρησιμοποιούν αυτές τις πληροφορίες για να αποφασίσουν εάν θα εμπιστευτούν ή θα απορρίψουν τα μηνύματα του κόμβου. Έχουν προταθεί αρκετές τεχνικές που βασίζονται στη φήμη για συστήματα CCAM, όπως ο αλγόριθμος EigenTrust, το Beta Reputation System και ο αλγόριθμος Direct Trust.

Οι τεχνικές που βασίζονται στη συναίνεση στηρίζονται στην υπόθεση ότι μια ομάδα κόμβων μπορεί να καταλήξει σε συναίνεση σχετικά με την ορθότητα ενός μηνύματος ακόμη και αν κάποιοι από τους κόμβους δεν συμπεριφέρονται σωστά. Οι τεχνικές που βασίζονται στη συναίνεση απαιτούν από τους κόμβους να ανταλλάσσουν τις απόψεις τους σχετικά με το μήνυμα και να χρησιμοποιούν έναν αλγόριθμο συναίνεσης για να συμβιβάσουν τις διαφορές τους και να καταλήξουν σε μια κοινή απόφαση.

Στα πλαίσια της διπλωματικής θα γίνει έρευνα του state-of-the-art, επιλογή κάποιων αλγορίθμων και υλοποίηση τους σε MATLAB ή Python και η πραγματοποίηση εξομοιώσεων για τον έλεγχο της επίδοσης.

-

Matlab ή Pyhton

Xu, Xiaoya, Yunpeng Wang, and Pengcheng Wang. "Comprehensive review on misbehavior detection for vehicular ad hoc networks." Journal of Advanced Transportation 2022 (2022).

Guo, Ji, Alan Marshall, and Bosheng Zhou. "A multi-parameter prediction model for misbehaviour detection in a MANET trust framework." Journal of Applied Science and Engineering 17.1 (2014): 45-58.

Gyawali, Sohan, Yi Qian, and Rose Qingyang Hu. "Machine learning and reputation based misbehavior detection in vehicular communication networks." IEEE Transactions on Vehicular Technology 69.8 (2020): 8871-8885.

Boualouache, Abdelwahab, and Thomas Engel. "A survey on machine learning-based misbehavior detection systems for 5g and beyond vehicular networks." IEEE Communications Surveys & Tutorials (2023).