基于混合学习技术增强女巫攻击安全检测与缓解的数据集及代码

数据集概述

该数据集旨在通过模拟车辆移动性、通信行为、信任指标和攻击模式，为智能交通系统安全研究提供真实数据，用于实时识别车载自组织网络（VANETs）中的恶意节点，支持深度学习和机器学习模型的构建与评估。

文件详解

• 数据集文件:
• Dataset.csv: CSV格式，包含节点ID、位置坐标、速度、方向、加速度等移动性数据，以及数据包传输、延迟、信号强度等通信行为数据，信任评分、邻居信任评分均值等信任指标，恶意活动指标（如女巫攻击），目标变量is_malicious（0=良性，1=恶意）。
• 代码文件:
• Code.ipynb: Jupyter Notebook格式，可能包含用于数据处理、模型训练和攻击检测的代码实现。

适用场景

• VANET安全研究: 开发和评估针对车载网络恶意节点检测的机器学习或深度学习模型。
• 智能交通系统安全: 分析5G环境下高移动性场景中女巫攻击等恶意行为的检测方法。
• 混合学习技术应用: 探索混合学习技术在网络安全检测中的性能优化。
• 信任管理机制研究: 基于节点历史行为和交互数据构建车载网络信任评估模型。