探索高度量化的神经网络用于汽车 CAN 的入侵检测
探索低功耗定制量化的多层感知器作为用于汽车控制器局域网络(CAN)的入侵检测系统(IDS),利用 AMD/Xilinx 的 FINN 框架对我们的 MLP 进行量化、训练和生成硬件 IP,使用集成 IDS 功能的 ZCU104 (XCZU7EV) FPGA 作为目标 ECU 架构,以侦测 CAN 网络上的拒绝服务(DoS)和模糊攻击。我们的方法在处理延迟(每条消息处理延迟为 0.12 毫秒)和推理能耗(每次推理消耗 0.25 毫焦耳)方面取得显著的改进,并且在分类性能方面与文献中的最新方法相当。
Jan, 2024
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
提出了一种基于混合 FPGA 设备的集成化汽车控制器区域网络 (IDS) 架构,采用两个量化的多层感知器 (QMLP),加速利用 Xilinx 的深度学习处理单元 (DPU) IP 块进行攻击检测,达到了最先进的分类准确性和降低功耗的效果。
Jan, 2024
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
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
本文提出了一种名为 SupCon ResNet 的深度学习模型,用于在 CAN 总线上处理多种攻击识别,以及将转移学习技术应用于有限大小数据集的性能改进。 在两个真实的汽车数据集上评估了该模型的能力,结果显示该模型比其他模型平均将四种攻击的整体假阴性率提高了四倍。 此外,该模型通过使用转移学习,在存储限制和运行时间方面进行了改进。
Jul, 2022
利用轻量级并行神经网络结构 LiPar 来为多个电子控制单元(ECU)分配任务负载,实现在车载网络环境中适应性高、运行效率高、模型大小轻量的入侵检测系统,保护车载 CAN 总线安全。
Nov, 2023
本论文提出了一种完全有效的基于机器学习的方法,用于保护连接车辆免受网络攻击,并针对使用配置规则提取相关信息的不同车辆接口(网络、CAN 和操作系统)进行监测,通过训练出的生成模型检测异常,以探测并诊断出其他现有方法无法发现的异常情况。
Nov, 2017