互联汽车网络安全的高级分析
为了检测自动驾驶车辆遭受的网络攻击,本论文提出了一个基于交通模型框架和生成对抗网络的异常检测模型,通过实时车辆轨迹数据来识别恶意操作控制命令、传感器测量的虚假数据注入攻击以及拒绝服务攻击。与其他神经网络模型相比,所提出的方法在准确识别具有异常驾驶行为的自适应巡航控制车辆方面具有更高的准确率。
Oct, 2023
这篇系统综述主要研究与连接和自动驾驶车辆相关的异常检测。研究发现,神经网络(如 LSTM,CNN 和自编码器)以及单类支持向量机是最常用的人工智能算法。大多数异常检测模型使用真实世界的车辆数据进行训练,但常常人为地向数据集中注入攻击和故障等异常情况。这些模型主要通过召回率、准确率、精确率、F1 分数和误报率等五个主要评估指标进行评估。此外,文章提出了几项建议,包括综合使用多个评估指标、公开分享模型以促进研究社区的合作和验证,并需要建立具有预定义异常或网络攻击的基准数据集来测试和改进提出的基于异常的检测模型的有效性。此外,对使用不同于 CAN 协议(如以太网和 FlexRay)的入侵检测系统的研究还缺乏。
May, 2024
该研究提出了一个利用主动学习框架从实时收集的数据中,对自动驾驶车辆进行正确分类的方法,该方法通过有效处理贫乏且嘈杂的数据,并在数据质量和多样性之间进行权衡,从其他车辆接收的信息以及有关自身传感器的信息进行数据分析,从而实现高准确度的分类,而该方法相比其他现有的解决方案,具备数据传输带宽要求低的优势。
Feb, 2020
提出了一种基于 FPGA 的 ECU 方法,通过专用的现成硬件加速器实现深度卷积神经网络入侵检测模型,平均准确率超过 99%,在多个攻击数据集中的误检率为 0.64%,并且相比于 GPU 上的 IDS 实现,在能量消耗上降低了 94%,每个消息的处理延迟降低了 51.8%。
Jan, 2024
本文基于大规模 CAN 网络流量数据,提取了有价值的特征,并全面比较了全监督机器学习和半监督机器学习方法在 CAN 消息异常检测方面的性能,提出了一种基于深度自编码器的半监督学习方法应用于 CAN 消息异常检测。通过广泛的实验,本文证明全监督方法通常优于半监督方法,其中,基于 XGBoost 的模型在准确度、精确度和 ROC AUC 等方面表现最佳,超过了文献中报道的其他方法。
Jul, 2022
我们提出了一个基于机器学习的方法来检测车辆自组网(VANET)中的黑洞攻击,并评估了各种机器学习算法的有效性,结果表明这些算法在区分正常节点和恶意节点方面是有效的。我们的研究结果强调了机器学习方法在增强 VANET 安全性方面的潜力。
Jan, 2024
本文阐述了在未来智能交通系统中,机器学习在自动驾驶汽车(CAV)中的应用所带来的各种挑战和潜在的安全问题,特别关注于对 CAV 的敌对性机器学习攻击,并提出了在多种情况下防御对抗攻击的解决方案。
May, 2019
使用无监督学习的卷积自编码器架构进行零日攻击检测,通过在仅有良性(无攻击)CAN 消息上训练模型,成功实现对未知攻击类型的高准确率分类,并且能够在高速 CAN 网络上实现线速检测,适用于关键 CAN 网络的零日攻击检测。
Jan, 2024
本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS,用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中,该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25%的检测率和 F1 分数,表明了其对车内和外部汽车网络中的网络攻击检测的有效性。
Jan, 2022