Jun, 2024

CARACAS: 车辆架构用于详细的 CAN 攻击模拟

PDF
TL;DR现代车辆对利用网络基础设施的攻击（尤其是 Controller Area Network 网络）越来越容易受到威胁。本文通过利用 Simulink 等仿真框架的建模能力以及攻击模型的强大表示，探讨了通过生成合成数据集来有效应对此类威胁的可行性，并呈现了 CARACAS，一种包括通过 Controller Area Network 消息进行组件控制和攻击注入功能的车辆模型。CARACAS 展示了这种方法的功效，包括一个电池电动汽车模型，并侧重于针对扭矩控制的两种不同情景中的攻击。
vehiclesnetwork infrastructurescontroller area networkintrusion detection systemssynthetic datasets
发现论文，激发创造
  • 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 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

  • 监督式对比 ResNet 和迁移学习在车内入侵检测系统中的应用

    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

  • 互联汽车网络安全的高级分析

    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

  • 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

  • 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

  • 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 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

  • 轻量级基于 FPGA 的汽车 CAN 网络 IDS-ECU 架构

    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