MistralBSM: Leveraging Mistral-7B for Vehicular Networks Misbehavior Detection

📄 arXiv: 2407.18462v2 📥 PDF

作者: Wissal Hamhoum, Soumaya Cherkaoui

分类: cs.LG, cs.CR

发布日期: 2024-07-26 (更新: 2025-11-02)

💡 一句话要点

MistralBSM：利用Mistral-7B进行车载网络异常行为检测

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 车载网络安全 异常行为检测 大型语言模型 Mistral-7B 边缘计算

📋 核心要点

  1. 车载网络面临恶意车辆的威胁，现有方法难以实时、准确地检测异常行为。
  2. 利用Mistral-7B，在边缘端进行微调，云端进行验证，构建边缘-云协同的异常行为检测系统。
  3. 实验表明，该模型在VeReMi数据集上取得了优异的分类准确率，超越了其他LLM模型。

📝 摘要（中文）

针对车载网络中恶意攻击对道路安全和通信可靠性造成的严重威胁，本文提出了一种基于大型语言模型（LLM）的异常行为检测系统（MDS），该系统部署在边缘-云检测框架内。具体而言，我们对紧凑且高性能的LLM Mistral-7B进行微调，使其能够基于基本安全消息（BSM）序列检测异常行为，作为边缘组件用于实时检测。同时，部署在云端的一个更大的LLM验证并加强边缘模型的检测，通过更全面的分析。通过仅更新0.012%的模型参数，我们命名为MistralBSM的模型在VeReMi数据集上针对选定的一组攻击实现了98%的二元分类准确率和96%的多类分类准确率，优于LLAMA2-7B和RoBERTa。我们的结果验证了LLM在MDS中的潜力，显示出在加强车载网络安全以更好地确保道路使用者安全方面的显著前景。

🔬 方法详解

问题定义：车载网络中的恶意攻击，特别是来自行为异常车辆的攻击，对道路安全和通信可靠性构成了严重威胁。现有方法可能无法提供足够的实时性和准确性，难以有效应对快速变化的网络环境和复杂的攻击模式。

核心思路：利用大型语言模型（LLM）强大的序列建模能力，将车辆发送的基本安全消息（BSM）序列视为文本序列，通过训练LLM来识别其中的异常模式。边缘端部署轻量级LLM进行快速检测，云端部署大型LLM进行更全面的分析和验证，形成协同防御体系。

技术框架：该系统采用边缘-云检测框架。边缘端使用微调后的Mistral-7B模型，接收车辆发送的BSM序列，并进行实时异常行为检测。检测结果被发送到云端，云端部署一个更大的LLM，对边缘端的检测结果进行验证和增强，并提供更全面的分析报告。边缘和云端模型可以协同工作，不断优化检测性能。

关键创新：该研究的关键创新在于将大型语言模型应用于车载网络的异常行为检测，并提出了一种边缘-云协同的检测框架。与传统的基于规则或机器学习的方法相比，LLM能够更好地捕捉BSM序列中的复杂模式，提高检测准确率和泛化能力。此外，边缘-云协同框架能够实现实时检测和全面分析的结合，提高系统的整体性能。

关键设计：研究人员对Mistral-7B模型进行了微调，仅更新了0.012%的模型参数。使用VeReMi数据集进行训练和测试，该数据集包含多种类型的车载网络攻击。损失函数未知。具体网络结构细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MistralBSM模型在VeReMi数据集上实现了98%的二元分类准确率和96%的多类分类准确率，显著优于LLAMA2-7B和RoBERTa等基线模型。该模型仅更新了0.012%的模型参数，表明其具有高效的微调能力和良好的泛化性能。实验结果验证了LLM在车载网络异常行为检测中的巨大潜力。

🎯 应用场景

该研究成果可应用于智能交通系统、自动驾驶车辆等领域，提高车载网络的安全性，保障道路使用者的安全。通过实时检测和防御恶意攻击，可以有效防止交通事故、交通拥堵等事件的发生，提升交通效率和安全性。未来，该技术还可以扩展到其他类型的物联网设备和网络安全领域。

📄 摘要（原文）

Malicious attacks on vehicular networks pose a serious threat to road safety as well as communication reliability. A major source of these threats stems from misbehaving vehicles within the network. To address this challenge, we propose a Large Language Model (LLM)-empowered Misbehavior Detection System (MDS) within an edge-cloud detection framework. Specifically, we fine-tune Mistral-7B, a compact and high-performing LLM, to detect misbehavior based on Basic Safety Messages (BSM) sequences as the edge component for real-time detection, while a larger LLM deployed in the cloud validates and reinforces the edge model's detection through a more comprehensive analysis. By updating only 0.012% of the model parameters, our model, which we named MistralBSM, achieves 98% accuracy in binary classification and 96% in multiclass classification on a selected set of attacks from VeReMi dataset, outperforming LLAMA2-7B and RoBERTa. Our results validate the potential of LLMs in MDS, showing a significant promise in strengthening vehicular network security to better ensure the safety of road users.