Aug, 2024

基于AI的入侵检测系统（IDS）在ROAD数据集上的比较分析：针对汽车控制器局域网（CAN）

HTML
PDF
TL;DR本研究解决了汽车控制器局域网（CAN）中缺乏公开、全面和现实数据集的问题，以测试入侵检测系统（IDS）的有效性。论文采用最新的ROAD数据集，同时实施先进的深度学习模型和传统机器学习模型，揭示了这些模型在常用数据集与ROAD数据集上的性能差异。研究的主要发现表明，使用ROAD数据集可以更好地评估IDS效果，提升汽车网络安全保障。
发现论文，激发创造
  • 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

  • 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

  • 车载CAN网络异常检测中监督学习与半监督学习的比较研究

    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

  • 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

  • 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

  • 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

  • 利用图机器学习检测控制器局域网中的伪装攻击

    本研究解决了现代车辆控制器局域网（CAN）中伪装攻击检测的难题，传统入侵检测系统难以有效识别这些微妙的攻击。本文提出了一种新颖的方法，将浅层图嵌入与源自CAN帧的时间序列特征相结合，显著提升了对伪装攻击的检测能力。实验结果表明，该方法在各种攻击模式下的检测率具有显著改善，展示了其在车辆安全领域的潜在影响。

    Aug, 2024

  • 基于人工智能的入侵检测系统在ROAD数据集上的比较分析：针对汽车控制局域网的研究

    本研究旨在解决汽车控制局域网(CAN)协议在安全性方面的不足，特别是在缺乏加密和认证的情况下，攻击面不断扩大。通过使用最新的ROAD数据集，本文采用先进的深度学习模型和传统机器学习模型的比较，揭示了现有文献中常用数据集与ROAD数据集在性能上的差异，为提高入侵检测系统的有效性提供了重要见解。

    Aug, 2024

  • 车内网络中的异常检测综述

    本研究解决了在车辆内部网络（尤其是CAN总线）中，因物理部件故障或恶意攻击导致的异常检测问题。通过对现有的检测方法进行评估和分析，论文介绍了深度学习和传统技术在CAN总线异常检测中的应用及其优势与局限性，揭示了此领域面临的挑战与研究空白。研究结果对提升车辆安全性具有重要影响。

    Sep, 2024