💻 computer science

Enhancing V2X Communication Security Using an MTCNN-LSTM-Based Multilevel Trust Evaluation Framework

Este artigo propõe uma estrutura de malha fechada de segurança e alocação de energia V2X que integra um modelo de avaliação de confiança multinível baseado em MTCNN-LSTM para alcançar a detecção de múltiplos ataques com alta precisão e otimizar o consumo de bateria em redes de veículos elétricos habilitadas para redes inteligentes.

Autores originais: Sanjay Kumar Sonker, Bharat Bhushan Sagar, Vibha Kaw Raina, Md Khalid Jamal

Publicado 2026-09-18

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Sanjay Kumar Sonker, Bharat Bhushan Sagar, Vibha Kaw Raina, Md Khalid Jamal

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um futuro onde os veículos elétricos não apenas dirigem em estradas, mas conversam com tudo ao seu redor: com outros carros, com semáforos, com estações de carregamento e com a própria rede elétrica. Esta rede, conhecida como comunicação veículo-para-tudo (V2X), promete um sistema de transporte mais inteligente e eficiente. No entanto, este falatório constante cria uma nova vulnerabilidade. Assim como uma sala lotada pode ser sobrecarregada por uma única pessoa gritando mentiras ou inundando o ar com ruído, estas redes digitais podem ser sequestradas por invasores que fingem ser muitos carros ao mesmo tempo ou que simplesmente entopem o sistema com solicitações falsas. Se a rede elétrica não conseguir distinguir entre um carro real precisando de carga e um programa malicioso drenando recursos, todo o sistema poderá falhar, deixando motoristas reais desamparados e desperdiçando energia preciosa.

Uma equipe de pesquisadores desenvolveu uma nova maneira de proteger essas redes, ensinando computadores a julgar o caráter de cada veículo em tempo real. Em vez de depender de regras estáticas que hackers podem contornar facilmente, eles criaram um sistema que observa como os veículos se comportam ao longo do tempo, procurando sinais sutis de problemas. Os pesquisadores construíram um modelo digital que combina dois tipos poderosos de inteligência artificial. Uma parte atua como um olho aguçado, escaneando padrões imediatos nos dados, enquanto a outra atua como uma memória, lembrando como um veículo agiu no passado para detectar mudanças em seu comportamento. Ao alimentar este sistema com dados do mundo real sobre como os carros elétricos consomem energia, se movimentam e se comunicam, os pesquisadores o treinaram para reconhecer quando um veículo está agindo normalmente e quando faz parte de um ataque cibernético.

O cerne de sua descoberta reside em um conceito chamado "confiança", que é calculado não apenas a partir de uma única mensagem, mas de todo o histórico de um veículo. O sistema observa nove pistas diferentes, tais como quanta energia um carro está usando, a velocidade na qual está viajando, a frequência com que envia mensagens e até mesmo a temperatura de sua bateria. Se um veículo subitamente começa a enviar mensagens demais, solicita uma quantidade irrealista de energia ou mostra sinais de uma temperatura de bateria que não condiz com sua condução, o sistema o sinaliza como suspeito. Esta abordagem permite que a rede distinga entre uma emergência genuína e um ataque coordenado onde um único ator malicioso finge ser dezenas de carros para roubar eletricidade ou derrubar a rede.

Em seus testes, os pesquisadores simularam uma rede movimentada com centenas de veículos elétricos virtuais e introduziram vários tipos de ataques, incluindo aqueles que inundam o sistema com dados e aqueles que criam identidades falsas. O novo modelo provou ser extraordinariamente eficaz, identificando corretamente o comportamento malicioso em quase todos os casos. Ele alcançou uma taxa de detecção de mais de 99 por cento, o que significa que quase nunca perdeu um ataque, mantendo também os alarmes falsos no mínimo. Talvez o mais importante seja que o sistema não apenas detectou o problema; ele resolveu a crise de recursos que frequentemente se segue. Quando o modelo identificou um grupo de veículos falsos tentando drenar as estações de carregamento, ele cortou automaticamente o acesso deles. Isso evitou o desperdício de energia que costuma ocorrer durante tais ataques. Em simulações onde metade da rede estava sob ataque, o sistema conseguiu manter o desperdício de energia em um nível gerenciável, garantindo que os veículos reais e confiáveis ainda pudessem obter a energia necessária.

Os pesquisadores também descobriram que este método ajuda a proteger a saúde física das baterias. Ao negar solicitações de carregamento a veículos suspeitos, o sistema evita o tipo de sobrecarga que pode danificar uma bateria ao longo do tempo. Em suas simulações, o modelo equilibrou com sucesso a necessidade de energia com a necessidade de segurança, garantindo que a rede permanecesse estável mesmo sob forte pressão. O estudo sugere que, ao usar esta abordagem em camadas de observar o comportamento, calcular a confiança e tomar decisões instantâneas, podemos construir uma rede de transporte que não seja apenas inteligente, mas também resiliente. Embora os resultados venham de simulações de computador usando dados de condução do mundo real, eles oferecem um caminho claro para assegurar o futuro elétrico, garantindo que, quando nossos carros falarem com a rede, eles estejam dizendo a verdade.

Resumo Técnico: Aprimorando a Segurança da Comunicação V2X Usando uma Estrutura de Avaliação de Confiança Multinível Baseada em MTCNN-LSTM

1. Declaração do Problema

A implementação da infraestrutura de Veículo-para-Tudo (V2X) enfrenta desafios críticos na segurança dos links de comunicação, garantia de privacidade e manutenção da confiabilidade, particularmente no contexto de carregamento de Veículos Elétricos (VE) e integração com a Rede Inteligente (Smart Grid). Os sistemas existentes sofrem de três limitações primárias:

Limitações de Dados: Uma dependência excessiva de conjuntos de dados sintéticos ou estáticos (ex: VeRei, simulações NS-3) que carecem de ruído urbano real, latência e erros de GPS, levando a modelos que sofrem overfitting em dados limpos e perdem ataques estáticos em interferências reais.
Detecção Agnóstica à Energia: As pipelines de detecção atuais frequentemente ignoram características específicas da bateria, como o Estado de Carga (SoC), taxas de consumo de energia e temperatura da bateria. Isso cria vulnerabilidades onde atacantes podem explorar mecanismos de carregamento (ex: falsa baixa SoC para fraude de energia) sem disparar a detecção, pois não há um vínculo estabelecido entre o comportamento anômalo e a saúde da bateria.
Modelagem de Ataque Inadequada: Muitas abordagens existentes focam em tipos de ataque únicos (ex: apenas Sybil) ou falham em modelar ataques híbridos e simultâneos (ex: Sybil combinado com DDoS). Além disso, carecem de adaptabilidade em tempo real para transitar de estados benignos para maliciosos com base em pontuações dinâmicas de energia e comportamento.

Essas lacunas resultam em sistemas que não conseguem mitigar eficazmente ataques cibernéticos estáticos, dinâmicos ou híbridos que exploram os canais bidirecionais V2G (Veículo-para-Rede), levando a vulnerabilidades na autenticação de carregamento, integridade de dados e coordenação da rede.

2. Metodologia

Os autores propõem uma estrutura MTCNN-LSTM (Multilevel Trust CNN-LSTM) projetada para integrar detecção de múltiplos ataques em tempo real, avaliação de confiança dinâmica e otimização de bateria.

2.1 Arquitetura do Sistema

A estrutura opera em uma arquitetura em camadas aproveitando a Computação em Névoa (Fog Computing):

Camada de Borda (Edge Layer): VEs e estações de carregamento geram dados em tempo real.
Camada de Rede: Utiliza Ethernet, 5G, WSN e C-V2X para comunicação.
Camada de Processamento de Dados: Unidades de Estrada (RSUs) equipadas com nós de névoa realizam captura de pacotes, limpeza de dados e avaliação de confiança usando o modelo de aprendizado profundo.
Camada de Gerenciamento: Lida com a resposta à intrusão, armazenamento de dados de longo prazo e coordenação em nuvem.

2.2 Mecanismo de Avaliação de Confiança

O sistema calcula pontuações de confiança baseadas em nove recursos de telemetria derivados do conjunto de dados "Electric Vehicle Trip Energy Consumption Data". A confiança é categorizada em:

Confiança Local (Confiança Total): Uma fusão ponderada de três métricas em tempo real:
- Pontuação de Comportamento: Calculada com base no Consumo de Energia da Viagem e Velocidade.
- Pontuação de Feedback: Derivada de interações históricas e confiança subjetiva de veículos vizinhos/RSUs.
- Pontuação de Segurança: Uma métrica dinâmica atualizada em tempo real com base em taxas de falha de autenticação, frequência de alertas de IDS e desvios de temperatura da bateria.
Confiança Global: A média de rede das pontuações de confiança local, refletindo a confiabilidade geral das entidades dentro do ecossistema V2X.

2.3 O Modelo MTCNN-LSTM

O motor de detecção central é um modelo híbrido de aprendizado profundo:

CNN (Rede Neural Convolucional): Extrai características espaciais dos dados de telemetria de entrada.
LSTM (Long Short-Term Memory): Analisa dependências temporais nos dados de séries temporais para detectar anomalias sequenciais.
Recursos de Entrada: O modelo processa nove recursos: Pontuação de Segurança, Pontuação de Feedback, Pontuação de Comportamento, Frequência de Mensagens, Mensagens Recebidas, Energia Consumida, SoC, Diferença de Pontuação de Segurança e Taxa de Consumo de Energia.
Estratégia de Treinamento: O modelo utiliza treinamento com pesos de classe para lidar com o desequilíbrio de classes entre veículos benignos e maliciosos e emprega validação de múltiplas velocidades.

2.4 Alocação de Energia e Otimização de Bateria

A estrutura introduz um mecanismo de ciclo fechado onde as pontuações de confiança influenciam diretamente a alocação de energia:

Fator de Vida Útil da Bateria ( $L_i$ ): Uma penalidade é aplicada ao fator de vida útil da bateria se ocorrer sobrecarga (SoC > 0.9) ou se uma baixa SoC for detectada durante o movimento, vinculando o comportamento de carregamento malicioso à degradação física da bateria.
Cálculo de Desperdício de Energia: O sistema quantifica o desperdício de energia ( $E_{waste}$ ) resultante do excesso de capacidade (devido a inundação por DDoS) e da energia negada a veículos maliciosos (identificados via baixas pontuações de confiança).
Alocação Dinâmica: As estações de carregamento priorizam a distribuição de energia para veículos com pontuações de confiança acima de um limite específico (ex: $\tau_i > 0.5$ ), negando solicitações de entidades de baixa confiança para evitar a exaustão de recursos.

3. Principais Contribuições

Integração de Dados do Mundo Real: O estudo utiliza registros de viagens de VE do mundo real (SoC, corrente, temperatura) para simular o ruído real de V2X, indo além de puramente conjuntos de dados sintéticos.
Detecção Consciente da Bateria: É o primeiro a integrar taxas de consumo de energia, SoC e anomalias de comportamento baseadas na temperatura da bateria diretamente na camada de confiança, permitendo a detecção de fraude de energia e ataques relacionados à bateria.
Modelagem de Ataque Híbrido: O modelo detecta e classifica simultaneamente quatro cenários: Nenhum, Sybil, DDoS e ataques híbridos "Ambos" dentro de uma única estrutura.
Gerenciamento de Energia de Ciclo Fechado: A estrutura une a detecção de intrusão e a alocação de recursos, otimizando dinamicamente a vida útil da bateria e a distribuição de energia com base em pontuações de confiança multinível.

4. Resultados e Desempenho

O modelo foi avaliado usando um conjunto de dados de aproximadamente 10.000 registros de viagens, divididos em 80% para treinamento e 20% para teste.

Desempenho de Classificação:
- Acurácia: 94,75% (reportado no resumo) / 94,73% (reportado nas tabelas).
- F1-Score Ponderado: 94,83%.
- Taxa de Detecção de Ataque (ADR): 99,3% (Resumo) / 99,36% (Tabela 6).
- Taxa de Falso Positivo: 4,24%, superando os modelos standalone GRU (5,36%) e LSTM (6,35%).
Especificidades do Ataque: O modelo distinguiu efetivamente entre ataques Sybil, DDoS e híbridos, com alta precisão na identificação de instâncias "Nenhum" (benignas) (precisão de 1.00).
Impacto na Energia e Bateria:
- Em simulações com uma probabilidade de ataque de 30%, o sistema limitou o desperdício de energia a aproximadamente 550 kWh de um suprimento de 2000 kWh.
- O Fator de Vida Útil Médio da Bateria (ABLF) foi mantido em 98,23%, com um Vida Útil Média da Bateria Durante Ataques (ABLF/DA) de 9 de 97,56%.
- À medida que a probabilidade de ataque aumentou de 10% para 50%, os valores de confiança global diminuíram linearmente (de 0,88 para 0,68), demonstrando a sensibilidade do modelo à degradação da rede.

5. Significância e Alegações

O artigo afirma que a estrutura MTCNN-LSTM proposta preenche fundamentalmente a lacuna entre a detecção de intrusão e a alocação de recursos em Sistemas de Transporte Inteligentes. Ao aproveitar dados de VE do mundo real e integrar métricas de saúde da bateria na avaliação de confiança, o sistema alcança:

Resiliência: Mantendo a funcionalidade e a alocação segura de energia mesmo sob altas cargas de ataque (até 50% de nós maliciosos).
Sustentabilidade: Prevenindo o desperdício de energia e protegendo a vida útil da bateria contra sobrecarga maliciosa ou fraude.
Robustez: Alcançando taxas de detecção superiores e menores falsos positivos em comparação com métodos de estado da arte existentes (ex: XGBoost, CNN padrão, GRU e LSTM).

Os autores posicionam este trabalho como um passo em direção a ecossistemas de energia seguros, sustentáveis e inteligentes para as próximas cidades inteligentes, com trabalhos futuros planejados para implantação de borda em RSUs 5G-V2X e integração com aprendizado federado e blockchain.