Projet de recherche doctoral numero :8186

Date depot: 27 juillet 2021
Titre: Détection de comportements erratiques par perception coopérative pour les systèmes de transports intelligents
Directeur de thèse: Fawzi NASHASHIBI (Inria-Paris (ED-130))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Signal et communications

Resumé: Les systèmes de transport intelligents coopératifs reposent sur des communications sans fil pour assurer la sécurité routière. Plusieurs services permettent des cas d'utilisation de la sécurité routière par l'échange de messages standardisés entre les entités communicantes, qui peuvent être des véhicules ou des nœuds d'infrastructure appelés Road Side Units (RSU). La perception collective est un nouveau service basé sur l'échange de listes d'objets perçus entre les entités communicantes. La liste des objets perçus dans l'environnement routier est établie par les véhicules et les RSU à l'aide de données recueillies par des capteurs embarqués. Le croisement d'intersection est un exemple typique qui illustre l'utilité de ce service. Les véhicules approchant de l'intersection ainsi que les RSU déployés dans l'intersection diffusent périodiquement des messages de perception collective (CPM). Chaque CPM contient la liste des objets perçus par la station ITS émettrice grâce à ses capteurs embarqués. Lors de la réception d'un CPM, un véhicule ou un RSU est capable d'étendre sa conscience de l'environnement en mettant à jour sa propre liste de perception avec les objets contenus dans les CPM des voisins (autres véhicules ou RSU). En conséquence, un véhicule est capable d'anticiper les situations potentiellement dangereuses à l'intersection, et ainsi de traverser l'intersection de manière sûre et sécurisée. Les CPM peuvent cependant contenir des données de perception anormales, révélant un expéditeur potentiel qui se comporte mal. La mauvaise conduite est classée en deux types. Le premier est une mauvaise conduite intentionnelle et se produit lorsqu'un véhicule malveillant ou un RSU diffuse de fausses informations pour perturber et attaquer le système STI. Le deuxième type de mauvais comportement est non intentionnel et se produit lorsqu'un capteur embarqué ou son système de perception associé est défectueux et, par conséquent, fournit des données erronées. Détecter les mauvais comportements des entités communicantes est une fonctionnalité cruciale de la cybersécurité pour le C-ITS, et permet notamment de mettre en place les contre-mesures appropriées pour éviter les situations à risque. **Objectifs et défis scientifiques :** Le travail sera divisé en deux parties. Le premier concerne la détection locale des mauvais comportements par les nœuds du réseau véhiculaire. Pour chaque véhicule et RSU, cette opération consiste en une étape d'auto-diagnostic préliminaire, où chaque entité recherche des incohérences ou des non-plausibilités dans ses propres données de capteurs pour détecter les dispositifs potentiellement défectueux. Après l'étape d'autodiagnostic, les véhicules et le RSU traitent les données de perception reçues d'autres nœuds, vérifiant s'il existe une incohérence révélant une attaque de sécurité ou un appareil défectueux. L'objectif de cette partie du travail est de proposer des solutions fiables et robustes de détection des mauvais comportements locaux, qui prennent en considération les exigences et les contraintes de communication des véhicules. La deuxième partie du travail se concentre sur la détection globale des mauvais comportements. En effet, une autorité de mauvaise conduite, localisée dans le système de sécurité backend ITS, reçoit des alertes de cybersécurité chaque fois qu'un véhicule ou un RSU détecte localement une mauvaise conduite dans le réseau. L'objectif de la détection globale est d'améliorer la qualité de la détection des mauvais comportements par rapport à la détection locale. L'objectif de cette partie est d'étudier les meilleures approches d'analyse de données, y compris les approches d'apprentissage automatique adaptées à la détection des mauvais comportements sur le service de perception collective, afin de fournir des résultats de détection globale fiables et robustes. Le doctorant implémentera, validera et évaluera les solutions proposées dans une extension de la plateforme de simulation Veins. Si possible, les solutions proposées pourraient être totalement ou partiellement intégrées dans un prototype de Proof Of Concept dans le projet TAM (Trusted Autonomous Mobility) à des fins d'expérimentation réelle. Le doctorant sera encadré par les chercheurs de l'IRT SystemX et de l'équipe RITS du Centre de recherche Inria de Paris. Pour plus de détail, consulter le lien suivant: https://www.irt-systemx.fr/recrutement/misbehavior-detection-for-cooperative-perception-in-intelligent-transport-systems/

Résumé dans une autre langue: **Context** Cooperative Intelligent Transport Systems (C-ITS) rely on wireless communications to ensure road safety. Several ITS services enable road safety use cases by the exchange of standardized messages among the ITS communicating entities, which may be vehicles or infrastructure nodes called Road Side Units (RSU). Collective perception is a new ITS service, based on the exchange of lists of perceived objects among the ITS communicating entities. The list of perceived objects in the road environment is established by vehicles and RSUs using data gathered by embedded sensors. Intersection crossing is a typical example that illustrates the usefulness of this service. Vehicles approaching the intersection as well as RSUs deployed in the intersection periodically broadcast Collective Perception Messages (CPM). Each CPM contains the list of objects perceived by the emitting ITS station thanks to its embedded sensors. When receiving a CPM, a vehicle or a RSU is able to extend its awareness of the environment by updating its own perception list with the objects contained in the neighbors’ (other vehicles or RSUs) CPMs. As a result, a vehicle is able to anticipate potential dangerous situations at the intersection, and thus cross the intersection in a secure and safe way. CPMs may however contain abnormal perception data, revealing a potential misbehaving sender. Misbehavior is classified into two types. The first one is intentional misbehavior and occurs when a malicious vehicle or RSU broadcasts false information to disrupt and attack the ITS system. The second type of misbehavior is non-intentional and occurs when an embedded sensor or its associated perception system is faulty and, consequently, provides erroneous data. Detecting misbehavior of the communicating entities is a crucial functionality of cybersecurity for the C-ITS, and specifically allows setting up the appropriate counter-measures to avoid risky situations. **Objectives and scientific challenges:** The work will be divided in two parts. The first concerns local detection of misbehavior by vehicular network nodes. For each vehicle and RSU this operation consists on a preliminary auto-diagnostic step, where each entity seeks inconsistencies or non-plausibility in their own sensor data to detect potential malfunctioning devices. After the auto-diagnostic step, vehicles and RSU process perception data received from other nodes, checking if there is any inconsistency revealing a security attack or a faulty device. The objective of this part of the work is to propose reliable and robust local misbehavior detection solutions, which take into consideration vehicular communications requirements and constraints. It would be relevant to explore the use of existing approaches such as probabilistic approaches (e.g, Bayesian inference, etc), evidence theories (e.g, belief theory, etc) and knowledge approaches (e.g, machine learning, fuzzy logic, etc). The second part of the work focusses on global misbehavior detection. Indeed, a misbehavior authority, localized in the ITS backend security system, receives cybersecurity alerts whenever a vehicle or RSU locally detects a misbehavior in the network. The misbehavior authority is assumed to have great data storage and data processing capacities to handle the huge amount of local misbehavior alerts. The objective of the global detection is to enhance misbehavior detection quality compared to local detection (for instance by reducing the false positive rate). The objective of this part is to investigate the best data analysis approaches including machine learning approaches suitable for misbehavior detection on the collective perception service, to provide reliable and robust global detection results. The PhD candidate will implement, validate and evaluate the proposed solutions within an extension of Veins simulation platform. If possible, the proposed solutions could be totally or partially integrated in a Proof Of Concept prototype in the TAM project (Trusted Autonomous Mobility) for real experimentation purposes. **Missions:** With the help of the research teams of the two entities supervising this thesis (SystemX/Inria), the recruited person will be required to carry out research in versatile fields ranging from data fusion to wireless telecommunications, including the perception of the environment and detection by signal processing. From model design to software development, the candidate will have to handle simulation tools and will be required to integrate and test their solutions on real platforms. The candidate will be required to work on the collaborative project TAM. **The proposed research subject can be found at: https://www.irt-systemx.fr/recrutement/misbehavior-detection-for-cooperative-perception-in-intelligent-transport-systems/



Doctorant.e: Zhang Jiahao