Sep, 2022

使用对抗机器学习实现解释性电动汽车 CAN 数据异常检测

PDF
TL;DR本文提出了一种可解释的 CAN 协议数据通信入侵检测系统 (RX-ADS)，采用基于窗口的特征提取方法、基于深度自编码器的异常检测方法和基于对抗机器学习的解释生成方法。RX-ADS 方法在 OTIDS 和 Car Hacking 数据集上的性能都达到了或超过了其他最先进的方法，还能够生成各种入侵引起的异常行为解释，可用于根本原因分析和 AI 模型调试，最终提高用户对 AI 系统的信任。
发现论文，激发创造
  • 基于 FPGA 的汽车控制器区域网络零日入侵实时检测系统

    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

  • 基于深度学习的汽车 CAN 嵌入式入侵检测系统

    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

  • MKF-ADS：面向汽车的多知识融合异常检测系统

    在本文中，我们提出了一种新颖的多知识融合异常检测模型 MKF-IDS，该模型具备强大的预测和检测性能，通过空时关联和知识蒸馏等技术对智能交通系统中的安全问题进行解决。

    Mar, 2024

  • 车内网络异常检测

    本文讨论了 CAN 总线协议的安全问题，并提出了一种基于人工智能算法的入侵检测系统，旨在通过考虑时间序列特征和攻击频率来准确检测已知的网络攻击。

    May, 2022

  • 基于 GAN 的车载网络入侵检测系统

    本文提出了一种基于生成对抗神经网络（GAN）的深度学习方法的车载网络入侵检测系统（GIDS），可用于检测未知攻击，实验证明 GIDS 对 4 种未知攻击具有较高的检测精度。

    Jul, 2019

  • 基于混合 FPGA 的轻量级多攻击 CAN 入侵检测系统

    车辆之间越来越多的连接性正在提供新的功能，如连接的自动驾驶和先进的驾驶辅助系统（ADAS），以改善下一代车辆的安全性和可靠性。本文提出了一种轻量级的多攻击量化机器学习模型，使用 Xilinx 的 Deep Learning Processing Unit IP 在 Zynq Ultrascale+（XCZU3EG）FPGA 上部署，使用公共 CAN 入侵检测数据集进行训练和验证。该模型能够以 99% 以上的准确率检测到拒绝服务和模糊攻击，并且误报率仅为 0.07%，与文献中的最先进技术相当。入侵检测系统的执行仅消耗 2.0 W 的功率，在 ECU 上运行的软件任务可以缩短消息处理延迟 25%，与最先进的实现相比。这种部署方式允许 ECU 功能与入侵检测系统共存，并且对任务的改动非常小，非常适合用于车载系统中的实时入侵检测。

    Jan, 2024

  • 基于深度迁移学习的电动汽车网络入侵检测系统

    本文提出了一个基于深度迁移学习的 IDS 模型，通过有效属性选择、设计基于深度迁移学习的 LeNet 模型，以及对现实世界数据的评估，实现了对 In-Vehicle Network 系统中的入侵检测，并在实验中展示了相对于其他模型更好的性能和检测准确性。

    Jul, 2021

  • X-CBA: 解释能助力 CatBoosted Anomal-E 用于入侵检测系统

    使用深度学习和图神经网络构建的可解释入侵检测系统（IDS）提供了高精度的网络攻击和异常识别方案。该研究通过利用网络流数据，结合边属性，改进检测能力，适应新型威胁，并提供清晰可行的解释分析结果，以促进机器学习和深度学习技术在网络安全防御中的广泛应用。

    Feb, 2024

  • 用于 CAN 中伪装攻击的无监督在线入侵检测系统的基准测试

    通过一个带有滑动窗口设置的基准研究，我们介绍了针对车载控制器区域网络中的伪装攻击的四种非深度学习无监督在线入侵检测系统，其中以检测时间序列的层次结构变化为基础的方法表现最佳，但计算开销较高。我们讨论了其局限性、开放性挑战，并说明了如何将这些基准方法应用于实际的无监督在线 CAN（控制器区域网络）入侵检测系统中。

    Jun, 2024

  • 工业控制系统时间序列入侵检测的对抗攻击

    该论文研究了在 ICS 环境下，使用 adversarial examples 技术构建针对 autoregressive IDS 的攻击，以有效地隐藏真实的网络攻击。作者对 Secure Water Treatment 系统进行了实验，仅考虑连续数据的情况下攻击成功率为 2.87/12，包含离散和连续变量的数据的情况下攻击成功率为 3.74/26。

    Nov, 2019