江榮旺 魏 爽 龍草芳 楊 明

(三亞學(xué)院 海南三亞 572022)

(容淳銘院士工作站 海南三亞 572022)

車聯(lián)網(wǎng)是一個由車輛自身狀態(tài)和環(huán)境信息組成的龐大交互網(wǎng)絡(luò).車輛間傳遞信息的真實性和有效性可能觸發(fā)其他車輛采取行動,避免災(zāi)難性后果.當(dāng)前車聯(lián)網(wǎng)惡意行為檢測的研究表明,攻擊者的惡意行為往往受到不同原因的驅(qū)動[1].這些惡意行為將嚴重降低車聯(lián)網(wǎng)的性能,帶來巨大的安全隱患.因此,研究者們對減少車輛惡意行為進行了廣泛的研究.密碼學(xué)能夠保證消息的完整性,但不能保證消息的真實性和實時性.對此許多研究提出了惡意攻擊檢測.由于惡意攻擊類型眾多,沒有一種方法可以應(yīng)對所有攻擊.而本文主要針對的是惡意攻擊中的惡意位置攻擊.車輛惡意位置攻擊是指黑客通過操縱車輛定位系統(tǒng),故意篡改車輛的位置信息,使其顯示在錯誤的位置或者隱藏真實的位置,從而引發(fā)安全隱患和潛在的危害.車輛惡意位置攻擊會引起交通混亂、車輛安全系統(tǒng)失效等危害,嚴重的會造成生命財產(chǎn)損失.目前,很多惡意位置攻擊檢測基于機器學(xué)習(xí)算法或深度學(xué)習(xí)算法.雖然這些方法簡單易懂,但是存在精度不夠、實時性差、擴展性不足等問題[2].針對上述問題,本文提出了一種基于嶺回歸和增量學(xué)習(xí)的車輛惡意位置攻擊檢測方案.該方案在不斷增加數(shù)據(jù)的情況下不斷更新舊模型,保證模型的適應(yīng)性和可用性,減少時間和空間資源消耗.基于嶺回歸和增量學(xué)習(xí)的車輛惡意位置攻擊檢測研究的意義和價值主要體現(xiàn)在以下方面:

1) 提高車聯(lián)網(wǎng)安全性.惡意位置攻擊可能導(dǎo)致交通混亂、車輛安全系統(tǒng)失效等嚴重后果.通過研究車輛惡意位置攻擊檢測方案,可以有效識別和防止此類攻擊,提高車聯(lián)網(wǎng)的整體安全性.

2) 減少惡意位置攻擊帶來的損失.惡意位置攻擊可能對交通運行和車輛安全造成損失.通過有效檢測減少和防止惡意位置攻擊的發(fā)生,從而降低潛在的經(jīng)濟和人身損失.

3) 增強惡意攻擊檢測技術(shù).當(dāng)前的惡意攻擊檢測方法存在一些問題.本文提出的基于嶺回歸和增量學(xué)習(xí)的檢測方案,通過更新舊模型和靈活適應(yīng)新數(shù)據(jù),可以提高精度、實時性和擴展性,為惡意攻擊檢測技術(shù)的發(fā)展作出貢獻.

本文的主要貢獻如下:

1) 創(chuàng)新性地將嶺回歸和增量學(xué)習(xí)算法應(yīng)用于車輛惡意位置攻擊檢測中,提出了一種新的檢測模型,用于實時、準確檢測車輛惡意位置攻擊;

2) 拓展了增量學(xué)習(xí)算法的應(yīng)用場景,對增量學(xué)習(xí)算法的研究起到推動作用;

3) 為車聯(lián)網(wǎng)惡意攻擊檢測提出新的思路,推動了車聯(lián)網(wǎng)的落地應(yīng)用.

1 相關(guān)工作

車聯(lián)網(wǎng)提高了道路安全和效率.車輛之間交換數(shù)據(jù)的正確性對于保證車聯(lián)網(wǎng)的正常運行至關(guān)重要,因此車聯(lián)網(wǎng)需要惡意攻擊檢測來保證車聯(lián)網(wǎng)數(shù)據(jù)的正確性.一般車輛惡意攻擊檢測的方法包括機器學(xué)習(xí)算法和深度學(xué)習(xí)算法2種.

許多研究根據(jù)不同的機器學(xué)習(xí)算法特征構(gòu)建不同的檢測系統(tǒng),用于檢測車聯(lián)網(wǎng)場景下的惡意行為:文獻[3]最早提出將機器學(xué)習(xí)應(yīng)用于車聯(lián)網(wǎng)惡意位置攻擊檢測研究;文獻[4]提出一種基于多種機器學(xué)習(xí)算法集成的方法來檢測車聯(lián)網(wǎng)中的惡意行為,該方法可以利用不同分類器的優(yōu)點,將單個分類器的結(jié)果合并為一個最終結(jié)果,從而達到更高的檢測精度;文獻[5]分析了檢測車聯(lián)網(wǎng)中惡意行為的監(jiān)督學(xué)習(xí)算法,比較了監(jiān)督學(xué)習(xí)算法的性能,并識別了監(jiān)督學(xué)習(xí)算法的局限性,此外,文獻[5]還提出一種新的以數(shù)據(jù)為中心的有監(jiān)督的機器學(xué)習(xí)惡意位置攻擊檢測模型,對攻擊類型進行分類,以支持驗證性對策.雖然這些基于機器學(xué)習(xí)算法的方法簡單易懂,但都存在實時性差和檢測精度有限等問題.

深度學(xué)習(xí)在惡意位置攻擊檢測問題上表現(xiàn)比機器學(xué)習(xí)技術(shù)好得多:文獻[6]將堆疊式去噪自編碼器與一種改進的稠密軌跡相結(jié)合,提出一種新的惡意位置攻擊檢測方法;文獻[7]提出一種有效的基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的惡意位置攻擊檢測方法,該方法利用卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和基于馬氏距離的損失函數(shù)來提取和估計車聯(lián)網(wǎng)流量,最后利用強化學(xué)習(xí)實現(xiàn)惡意位置攻擊檢測;文獻[8]提出一種將CNN和卡爾曼濾波器相結(jié)合的方法,在連通和自動車輛中檢測異常并識別異常車輛.然而,深度學(xué)習(xí)的方法存在以下問題:1)實時性差;2)可擴展性差;3)資源要求高.這使得目前已有的基于深度學(xué)習(xí)的車輛惡意位置攻擊檢測方案不太可行,缺乏實用價值.

針對上述問題本文提出一種基于增量學(xué)習(xí)和嶺回歸算法相結(jié)合的方法.增量學(xué)習(xí)是指一個學(xué)習(xí)系統(tǒng)能不斷地從新樣本中學(xué)習(xí)新的知識,并能保存大部分以前已經(jīng)學(xué)習(xí)到的知識[9].增量學(xué)習(xí)能夠解決車聯(lián)網(wǎng)中車輛每時每刻都在產(chǎn)生新數(shù)據(jù)的建模問題.而嶺回歸是一種專用于共線性數(shù)據(jù)分析的有偏估計回歸方法.嶺回歸是一種經(jīng)典的線性回歸方法,它通過加入L2正則化項來解決普通最小二乘法中存在的過擬合問題.在車輛惡意位置攻擊檢測中,嶺回歸算法可以用于建立檢測模型,預(yù)測車輛的位置信息,并判斷是否存在惡意攻擊.首先,嶺回歸算法能夠很好地處理特征間的多重共線性問題.在車輛惡意位置攻擊檢測中,可能存在多個相關(guān)的特征,而這些特征之間存在較強的相關(guān)性.嶺回歸通過引入正則化項能夠有效地降低特征之間的共線性,并提高模型的穩(wěn)定性和可靠性.其次,嶺回歸算法能夠減小模型的方差,降低過擬合的風(fēng)險.在車輛惡意位置攻擊檢測中,如果模型過于復(fù)雜可能會導(dǎo)致對樣本數(shù)據(jù)過擬合,進而影響模型的泛化能力.嶺回歸通過控制正則化參數(shù)可以有效地限制模型的復(fù)雜度,減小過擬合的風(fēng)險,并提高模型在未知數(shù)據(jù)上的預(yù)測能力.此外,嶺回歸算法具有較好的數(shù)學(xué)性質(zhì)和計算效率.相較于其他復(fù)雜的回歸方法,嶺回歸算法的求解過程相對簡單,可以通過解析解或迭代優(yōu)化算法快速求解.這使得嶺回歸算法在處理大規(guī)模車輛數(shù)據(jù)時具有一定的優(yōu)勢.

本文通過將增量學(xué)習(xí)和嶺回歸相結(jié)合,可以有效解決車聯(lián)網(wǎng)惡意位置攻擊檢測中模型擴展性差、檢測資源要求高等問題.

2 系統(tǒng)模型

本文將基于增量學(xué)習(xí)算法的惡意位置攻擊檢測方案設(shè)計為4個步驟:1)從車輛在車聯(lián)網(wǎng)中傳輸?shù)南⒅刑崛√卣?2)利用算法挖掘不同屬性之間的關(guān)系并訓(xùn)練網(wǎng)絡(luò);3)建立惡意位置攻擊檢測模型并應(yīng)用于車聯(lián)網(wǎng)場景;4)在系統(tǒng)中采集一定量的新數(shù)據(jù)后對模型進行更新.圖1示出惡意位置攻擊檢測系統(tǒng)框架.惡意位置攻擊檢測系統(tǒng)部署在車輛、移動設(shè)備和邊緣服務(wù)器中.采集周圍車輛信息,識別危險源后發(fā)出預(yù)警信號.

圖1 惡意位置攻擊檢測系統(tǒng)框架

圖2示出所提出的惡意位置攻擊檢測模型的框圖.該模型由4個模塊組成:1)數(shù)據(jù)采集與共享模塊;2)特征提取模塊;3)檢測模型建立及決策模塊;4)模型更新模塊.數(shù)據(jù)采集共享模塊負責(zé)車輛數(shù)據(jù)信息的采集和共享.特征提取模塊的功能包括從采集到的信息中提取特征,對提取的特征進行歸一化處理,并用2維向量對消息的真實性標(biāo)簽進行歸一化處理.檢測模型建立和決策模塊訓(xùn)練基于地理位置信息,并實時檢測車輛發(fā)送的消息的真實性.模型更新模塊的功能是當(dāng)系統(tǒng)中采集到的新數(shù)據(jù)積累到一定數(shù)量后,利用新數(shù)據(jù)和增量學(xué)習(xí)算法對模型進行自動更新.

圖2 惡意位置攻擊檢測模型架構(gòu)

2.1 數(shù)據(jù)采集與共享模塊

每個車輛從自己的消息日志和傳感器單元(如GPS定位傳感器、運動傳感器等)獲取歷史軌跡數(shù)據(jù)和相應(yīng)的上下文信息,包括車速、加速度等信息方向和位置.車輛信息采集完成后采用廣播的方式與周圍其他車輛共享信息.在此過程中,每輛車與其他車輛通信的同時,從相鄰車輛收集移動性信息,如廣播速度和傳輸時延等.

2.2 特征提取模塊

在此階段,基于前一階段采集到的車輛信息,提取如表1所示的6個重要特征(包括車輛狀態(tài)和通信狀態(tài)),特征1～4表示車輛的行駛狀態(tài),特征5和6表示車輛之間的通信狀態(tài).

表1 車輛關(guān)鍵特征

獲取上述6類特征后,將最終的車輛特征記為矩陣X,為p×6個元素的矩陣(有p行6列),其中p為樣本總數(shù),6為樣本特征的維數(shù).具體如式(1)所示:

(1)

對于一個亂碼的真實性標(biāo)簽的標(biāo)準化,用一個2維向量(y1,y2)表示消息的真實性.在表示真消息的標(biāo)簽中,y1=1,y2=0,而在表示假消息的標(biāo)簽中,y1=0,y2=1,即真消息和假消息的標(biāo)簽分別標(biāo)準化為向量(1,0)和0,1).最后,將所有樣本的真?zhèn)螛?biāo)簽記為p×2的矩陣Y.

2.3 檢測模型的建立和決策模塊

車聯(lián)網(wǎng)中的錯誤行為檢測是一個有監(jiān)督學(xué)習(xí)分類問題.分類器通過使用提取的特征和標(biāo)記訓(xùn)練模型,這些標(biāo)記分為有惡意行為和沒有惡意行為.在檢測模型的建立和決策模塊主要工作是訓(xùn)練分類器,用于檢測車輛的惡意位置攻擊.

如圖3所示,檢測模型的建立和決策模塊由3部分組成:1)映射特征(從原始輸入的映射);2)增強節(jié)點(映射特征的映射);3)輸出節(jié)點(映射特征和增強節(jié)點的聯(lián)合映射).

圖3 檢測模型的建立和決策模塊

首先,通過6維輸入、隨機權(quán)重Wai、隨機偏移βai和線性函數(shù)φi,得到s組(s的值可以根據(jù)具體情況指定)的映射特征,如式(2)所示:

Zi=φi(XWai+βai),i=1,2,…,s,

(2)

其中Wai為6×e矩陣,e為一組特征節(jié)點的節(jié)點數(shù).為了獲得更好的功能,通常使用線性稀疏自編碼器對Wai進行微調(diào).βai是一個隨機偏移值,Wai和βai的值一般服從(0,1)之間的隨機分布.φi是一個線性函數(shù),可以針對不同的映射特征組選擇不同的函數(shù).

得到的映射特征Zi是一個p×e矩陣.然后,將上述過程迭代s次得到s組特征節(jié)點,Zs∈[Z1…Zs]表示從原始輸入中得到的所有映射特征,即p×(e×s)矩陣.

然后,通過Zs、隨機權(quán)重Wbj、隨機偏差βbj和非線性函數(shù)φi計算t組的增強節(jié)點,如式(3)所示:

Hj=ξj(ZsWbj+βbj),j=1,…,t,

(3)

其中Wbj是e×(s×f)的矩陣,f是1組增強節(jié)點的節(jié)點數(shù).βbj是一個隨機偏移值,Wbj和βbj的值一般服從(0,1)之間的隨機分布.ξj是一個非線性函數(shù),對于不同的增強節(jié)點組可以選擇不同的函數(shù).得到的增強節(jié)點Hj是p×f的矩陣.然后,對上述過程進行t次迭代,得到第t組增強節(jié)點,Ht≡[H1…Ht]表示從映射特征中得到的所有增強節(jié)點,其矩陣為p×(f×t).

將映射特征Zs和增強節(jié)點Ht按列合并成矩陣Q.Q=[Zs|Ht]是p×(e×s+f×t)的矩陣,作為輸出層的輸入.學(xué)習(xí)參數(shù)W是連接Zs和Ht輸出節(jié)點的權(quán)值,基于增量學(xué)習(xí)模型的檢測模型表示為式(4)所示:

Y=[Zs|Ht]W=QW,

(4)

Q+代表Q的偽逆,可以通過使用嶺回歸方法計算得出:

(5)

其中I是(e×s+f×t)的單位矩陣,通常是γ→0.由于輸出矩陣Y已知,因此可以直接利用Q的偽逆Q+得到:

W=Q+Y.

(6)

當(dāng)需要對檢測到的消息進行真實性預(yù)測時,首先要根據(jù)式(1)從待檢測消息中提取并標(biāo)準化特征.最終的特征記為q×6矩陣X,其中q為待檢測消息的個數(shù),6為特征的維數(shù).然后,將X送入檢測模型,根據(jù)式(2)和式(3)計算出映射特征Zs和增強節(jié)點Ht,其中Zs是q×(e×s)的矩陣,Ht是q×(f×t)的矩陣.最后,利用權(quán)值W得到預(yù)測值Y′:

Y′=[Zs′|Ht′]W,

(7)

其中Y′為q×2矩陣,矩陣Y′的每一行對應(yīng)一個檢測結(jié)果.每個檢測結(jié)果用2維向量(y1,y2)表示.如果y1>y2,則該消息是真實消息;否則,該消息是虛假消息.

算法1給出基于增量學(xué)習(xí)模型的車輛惡意位置攻擊檢測的算法步驟.

算法1.基于增量學(xué)習(xí)檢測算法.

輸入:6維原始特征;

輸出:預(yù)測Y*.

步驟1.根據(jù)式(1)獲取z-score標(biāo)準化特征;

步驟2.分別根據(jù)式(2)和式(3)計算Z和H;

步驟3.根據(jù)式(5)和式(6)計算基于增量學(xué)習(xí)模型的權(quán)重W;

步驟4.根據(jù)式(2)、式(3)和式(7)計算預(yù)測標(biāo)簽Y*.

2.4 模型更新模塊

(8)

(9)

其中H是a×(f×t)的矩陣.

Ynew=QnewWnew.

(10)

將式(10)用偽逆矩陣表示,可以得到新的權(quán)重:

(11)

在式(11)中:

(12)

(13)

(14)

經(jīng)過式(11)操作后得到了一個新的連接權(quán)值Wnew,它是(e×s+f×t)×2的矩陣,并完成了模型更新.更新車輛惡意位置攻擊檢測模型的算法步驟如算法2所示.

算法2.更新車輛異常行為檢測模型的算法.

輸入:提取的6維新特征;

輸出:權(quán)重Wnew.

步驟1.根據(jù)式(1)獲取z-score標(biāo)準化特征;

步驟2.分別根據(jù)式(8)和式(9)計算Z和H;

步驟3.根據(jù)式(11)～(14)計算基于增量學(xué)習(xí)模型的權(quán)重Wnew.

可以看出,在更新模型權(quán)重時只需要對新數(shù)據(jù)進行偽逆運算,其他部分只涉及矩陣基本運算;因此,舊的檢測模型可以快速更新.隨著數(shù)據(jù)的增加,可以連續(xù)執(zhí)行更新過程,而無需重建整個網(wǎng)絡(luò).

3 實驗結(jié)果及性能分析

針對所提出的模型,本文采用以下3個真實數(shù)據(jù)集進行性能評估:1)VeReMi數(shù)據(jù)集是在2018年提出的可擴展、公開可用的數(shù)據(jù)集,主要包括模擬每輛車的消息日志和指定攻擊者行為的地面真實文件;2)NGSIM是由FHWA收集的公開數(shù)據(jù)集,提供了南行美國101號公路等地區(qū)每輛車輛軌跡數(shù)據(jù)(每1/10s精確定位);3)PeMS是一個包含車輛里程、行駛時間和從高速公路性能測量系統(tǒng)通過傳感器收集的實時交通數(shù)據(jù)生成的性能度量數(shù)據(jù)集.

本文研究從每個數(shù)據(jù)集中隨機選擇了2萬個樣本作為訓(xùn)練集來訓(xùn)練提出的異常行為識別模型,另外再選取1.55萬個獨立于訓(xùn)練集的樣本作為測試集來評估模型的性能.本文學(xué)習(xí)模型的結(jié)構(gòu)設(shè)置為s=10和t=20,總共有6×10個映射特征和6×20個增強節(jié)點.φi是ReLU激活函數(shù),ξj是Sigmoid激活函數(shù).本文使用10折交叉驗證方法用于調(diào)整不同算法的模型最佳超參數(shù)設(shè)置.然后,使用整個訓(xùn)練集來訓(xùn)練每種算法的最佳模型,并使用測試集評估這些模型.評估指標(biāo)主有要加權(quán)準確率、加權(quán)F1-score、訓(xùn)練時間和推理時間.準確率是正確預(yù)測的總數(shù)與實例總數(shù)的比率.F1-score是精確度和召回率的調(diào)和平均數(shù).訓(xùn)練時間是每種算法完成模型訓(xùn)練所需的總時間.推理時間是經(jīng)過訓(xùn)練的模型在測試集上進行預(yù)測所需的時間,為每種分類算法的性能提供效率度量.實驗重復(fù)3次以避免偶然因素,給出平均結(jié)果.表2的實驗結(jié)果示出增量學(xué)習(xí)算法與其他算法的性能比較:

一方面,在與傳統(tǒng)機器學(xué)習(xí)方法的比較中,增量學(xué)習(xí)在綜合性能方面表現(xiàn)更佳.以VeReMi數(shù)據(jù)集為例,與傳統(tǒng)機器學(xué)習(xí)方法相比,基于增量學(xué)習(xí)模型的準確率平均提高了3.52%,F1-score平均提高了3.44%.同樣地,針對NGSIM數(shù)據(jù)集,基于增量學(xué)習(xí)模型的準確率和F1-score平均提高8.54%和8.75%,而對于PeMS數(shù)據(jù)集,基于增量學(xué)習(xí)模型的準確率和F1-score平均提高9.60%和9.47%.盡管基于增量學(xué)習(xí)模型的訓(xùn)練時間(分別為數(shù)據(jù)集的2.339s,1.781s和1.615s)高于大多數(shù)傳統(tǒng)機器學(xué)習(xí)方法,但也處于一個特別低的水平.此外,基于增量學(xué)習(xí)模型僅需要0.127s,0.169s和0.146s即可完成3個數(shù)據(jù)集的1.55萬個樣本的預(yù)測,這表明基于增量學(xué)習(xí)模型完全能夠進行實時檢測任務(wù).

另一方面,與深度學(xué)習(xí)方法相比,基于增量學(xué)習(xí)模型在訓(xùn)練時間和推理時間方面具有明顯優(yōu)勢.與深度學(xué)習(xí)方法相比,在3個數(shù)據(jù)集上,基于增量學(xué)習(xí)模型的訓(xùn)練速度平均提高970,1475和1098倍,推理速度平均提高733,568和437倍.此外,基于增量學(xué)習(xí)模型的性能也優(yōu)于大多數(shù)深度學(xué)習(xí)方法.具體而言,與深度學(xué)習(xí)方法相比,基于增量學(xué)習(xí)模型的平均準確率和F1-score在VeReMi數(shù)據(jù)集上分別提高0.33%和0.33%,在NGSIM數(shù)據(jù)集上分別提高2.88%和3.05%,在PeMS數(shù)據(jù)集上分別提高1.20%和1.09%.

此外,還測試了帶有新添加樣本的模型更新模塊.設(shè)定初始網(wǎng)絡(luò)是在VeReMi數(shù)據(jù)集中隨機選擇5000個樣本進行訓(xùn)練.模型更新閾值a設(shè)為3000,這意味著應(yīng)用增量算法來動態(tài)添加3000個樣本以更新模型.基于增量學(xué)習(xí)模型的結(jié)構(gòu)仍然設(shè)置為s=10和t=20,總共有6×10個映射特征和6×20個增強節(jié)點.表3示出每次更新模型所需的準確率、F1-score和時間:

表3 樣本數(shù)量與模型性能指標(biāo)隨訓(xùn)練次數(shù)的變化情況

實驗證明,使用新添加的數(shù)據(jù)更新現(xiàn)有模型非常有效.一方面,每添加3000個新樣本,模型的準確率和F1-score逐漸增加.在5次更新后模型的準確率達到90.4%,F1-score達到91.1%,非常接近直接用2萬個樣本訓(xùn)練的模型準確率(90.6%)和F1-score(91.4%).另一方面,每次更新所花費的時間約為2s,因此模型可以高效地進行更新.因此,已知該模型具有良好的可擴展性,可以在不重新構(gòu)建整個網(wǎng)絡(luò)的情況下及時反映系統(tǒng)的真實性和完整性.

4 結(jié)論與未來工作

隨著車聯(lián)網(wǎng)的不斷發(fā)展,車輛惡意位置攻擊檢測仍然是一個具有挑戰(zhàn)性的話題.本文提出了一種基于增量學(xué)習(xí)方法的快速漸進式惡意位置攻擊檢測模型.在3個真實數(shù)據(jù)集上的實驗中,通過與各種其他機器學(xué)習(xí)和深度學(xué)習(xí)模型進行比較得知,基于增量學(xué)習(xí)的惡意位置攻擊檢測模型的準確性高于傳統(tǒng)機器學(xué)習(xí)方法,并且與深度學(xué)習(xí)方法相似,而基于增量學(xué)習(xí)的惡意位置攻擊檢測模型的計算速度遠快于深度學(xué)習(xí)模型.另一方面,本文測試了所提出模型的更新模塊,并通過逐步向模型添加新數(shù)據(jù)來分析模型的更新效率和準確性變化.實驗證明,本文所提出的方法可以快速構(gòu)建高精度的車輛惡意位置攻擊實時檢測模型,并能有效且高效地執(zhí)行具有強健性和可擴展性的實際應(yīng)用.在此研究中,本文僅考慮在增量學(xué)習(xí)中使用一些簡單的車輛狀態(tài)和環(huán)境狀態(tài)信息來檢測車輛的惡意位置攻擊.下一步將探索將增量學(xué)習(xí)模型與更復(fù)雜的多模態(tài)數(shù)據(jù)(如聲音和圖像信息)相結(jié)合的算法,以實現(xiàn)車聯(lián)網(wǎng)中的惡意位置攻擊檢測.