Détection de comportements anormaux par la perception coopérative pour les systèmes de transport intelligents

Misbehavior Detection for Collective Perception in Cooperative Intelligent Transport Systems (C-ITS)

• Auteur / Autrice : Jiahao Zhang
• Direction : Fawzi Nashashibi, Inès Ben Jemaa
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 13/12/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Centre de recherche de Paris (Paris)
• Partenaire(s) de recherche : Institut : Institut de recherche technologique SystemX (Palaiseau, Essonne)
• Jury : Président / Présidente : Rida Khatoun
• Jury : Examinateurs / Examinatrices : Nicole El Zoghby
• Jury : Rapporteurs / Rapporteuses : Véronique Berge-Cherfaoui, Oyunchimeg Shagdar

Mots clés

Mots clés contrôlés

Intelligence artificielle

Gestion des données (systèmes d'information)

Fiabilité

Véhicules autonomes

Systèmes de transport intelligent

Mots clés libres

Intelligence artificielle

Fusion des données

Perception coopérative

Artificial intelligence

Data fusion

Cooperative perception

Résumé

Le Système de Transport Intelligent Coopératif est une nouvelle technologie visant à réduire les accidents de la route et à améliorer la sécurité routière. Cette technologie repose sur des communications sans fil sous forme de messages de sécurité. Ces messages peuvent contenir des informations sur l'état cinématique du véhicule. Les informations échangées améliorent la sécurité des passagers et des piétons environnants. Ces dernières années, un nouveau type de message V2X, les Messages de Perception Collective, a été proposé par l'ETSI. Les véhicules autonomes sont équipés de plusieurs capteurs permettant de détecter les objets dynamiques sur la route. Cependant, la perception des capteurs des objets environnants est limitée à leur champ de vision et obstruée par des obstacles occultants. Les services de Perception Collective sont conçus pour permettre aux véhicules d'étendre leur perception locale de l'environnement avec des données de perception supplémentaires. Ces données sont envoyées par leurs voisins via les CPM. Dans ce service, les véhicules voisins ou les unités en bord de route diffusent la liste des objets perçus par leurs capteurs locaux dans le réseau V2X. Les véhicules récepteurs fusionnent ces données avec leurs objets perçus localement pour élaborer une vue étendue de l'environnement. Les informations de perception globale sont ensuite utilisées par les services ITS de haut niveau, tels que l'avertissement de collision, l'évitement d'obstacles et d'autres, pour prendre des décisions de conduite appropriées. Néanmoins, le CPM contient peut-être des données aberrantes qui indique un émetteur potentiel anormal. Ces comportements anormaux peuvent classifier en deux types. Le premier type est un comportement non-intentionnel. Le deuxième type est un comportement intentionnel. Un des défis les plus importants est de garantir l'intégrité et la fiabilité des informations partagées entre les véhicules connectés. Cette thèse se concentre principalement sur ce type d'attaque. L'impact de telles attaques est significatif, car elles peuvent facilement être adaptées pour causer des dommages dans le monde réel ou entraîner des pertes humaines. Par exemple, dans un scénario d'intersection, certains véhicules tentent de traverser l'intersection. Un attaquant sur la route adjacente injecte un faux message indiquant qu'un véhicule devant s'approche de l'intersection à une très grande vitesse. Même si ce n'est pas le cas, les véhicules doivent réagir immédiatement pour éviter une collision avec le véhicule inexistant signalé par l'attaquant. Ces comportements dangereux peuvent provoquer des accidents. Par conséquent, des technologies innovantes permettant de détecter ces attaques, appelées détection de comportements malveillants, sont essentielles pour garantir le fonctionnement sécurisé de ces systèmes. Dans cette thèse, nous proposons un nouveau cadre pour la perception coopérative et développons de nouveaux mécanismes de détection de comportements malveillants. En résumé, cette thèse examine la détection de comportements malveillants dans les systèmes coopératifs de transport intelligent, en particulier dans le contexte de la perception coopérative. La détection de comportements malveillants s'appuie sur la connaissance des processus physiques pour évaluer la fiabilité des données et des entités au sein d'un système cyber-physique. Grâce à notre cadre de détection de comportements malveillants basé sur la confiance pour la perception coopérative, la sûreté et la sécurité de ces systèmes peuvent être considérablement améliorées. Les travaux futurs dans ce domaine pourraient inclure l'intégration de la détection de comportements malveillants avec des mécanismes d'IA, le edge computing, et d'autres technologies avancées, ainsi que le développement d'extensions permettant un signalement fiable.

Cooperative Intelligent Transportation System is a new technology that aims to reduce traffic accidents and improve road safety. The technology relies on wireless communications in the form of safety messages. These messages can contain the information about vehicle's kinematic state like the position, the current velocity and even about the surrounding environment condition. The exchanged information enhance the safety of the passengers and the surrounding pedestrians. For instance, the safety application can use this incoming information to warn drivers about impending emergencies or make emergency responses. Recent years, a new type of V2X message, Collective Perception Messages, is purposed by ETSI. Autonomous vehicles are equipped with several sensors that enable the detection of dynamic objects on the road. However, sensor perception of the surrounding objects is limited to their Field Of View and blocked by the occluding obstacles. Collective Perception services are designed to enable vehicles to extend their local perception of the environment with additional perception data. These data are sent by their neighbours through CPM. In this service, neighboring vehicles or Road-Side-Units broadcast the list of their local sensors' perceived objects in the V2X network. The receiving vehicles merge these data with their local perceived objects to elaborate an extended view of the environment. The global perception information is then used by high level ITS services such as collision warning, obstacle avoidance and others, to take appropriate driving decisions. Nevertheless, the CPM may contain outlier data that indicates a potential abnormal transmitter. These abnormal behaviors can be classified into two types. The first type is unintentional behavior. This type of error is caused by hardware failure. The second type is intentional behavior. When malicious vehicles or RSUs broadcast false information to disrupt and attack the ITS, this type of error occurs. In response to this issue, detecting abnormal behavior of entities is a critical function for the cybersecurity of C-ITS. One of the most important challenges is ensuring the integrity and correctness of the information shared between connected vehicles. This thesis primarily focuses on this type of attack. The impact of such attacks is significant, as they can easily be tailored to cause real-world harm or loss of life. For instance, in an intersection scenario, some vehicles are trying to cross the intersection. An attacker on the adjacent road injects a fake message indicating that a vehicle in front is approaching the intersection at a very high speed. Even though this is not the case, vehicles have to react immediately (i.e., by suddenly decelerating or braking) to avoid a collision with the non-existent vehicle claimed by the attacker. These dangerous behaviors may cause accidents. Therefore, novel technologies that allow to detect attacks, referred to as misbehavior detection, are essential for the secure and safe operation of these systems. In this thesis, we propose a novel framework for cooperative perception and develop new misbehavior detection mechanisms. In summary, this thesis examines the topic of misbehavior detection in Cooperative Intelligent Transportation Systems, particularly in the context of cooperative perception. Misbehavior detection leverages knowledge of physical processes to assess the trustworthiness of data and entities within a cyber-physical system. Through our developed trust-based misbehavior detection framework for cooperative perception, the safety and security of such systems can be improved significantly. Future work in this field could include the integration of misbehavior detection with AI mechanisms, edge computing, and other advanced technologies, as well as developing extensions that enable reliable reporting.