机构名称：
¥ 1.0
随着连接和自动驾驶汽车的增殖，控制器区域网络（CAN）总线由于其速度和效率而成为车载网络的主要通信标准。但是，CAN总线缺乏基本的安全措施，例如身份验证和加密，使其非常容易受到网络攻击的影响。为了确保车辆安全性，入侵检测系统（IDS）必须检测到可见的攻击，并为新的，看不见的攻击提供强大的防御，同时保持轻量级的实用部署。以前的工作仅依赖于CAN ID功能，或者使用了手动功能提取的传统机器学习（ML）方法。这些方法忽略了其他可剥削的功能，这使得适应新的看不见的攻击变体和损害安全性。本文介绍了一种尖端，新颖，轻巧，车载，IDS玻璃，深度学习（DL）算法，以解决这些局限性。所提出的ID采用多阶段方法：在第一个阶段的人工神经网络（ANN）来检测可见的攻击，以及在第二阶段进行长期的短期记忆（LSTM）自动编码器，以检测新的，看不见的攻击。要了解和分析各种驾驶行为，使用最新的攻击模式更新模型，并保留数据隐私，我们提出了一个理论框架，以在层次结构联合学习（H-FL）环境中部署我们的ID。实验结果表明，我们的IDS的F1得分超过了0.99，对于看到的攻击，新型攻击的检测率为99.99％，超过0.95。这使我们的模型可与可见和看不见的攻击进行稳健。此外，误报率（FAR）在0.016％的情况下极低，最小化了错误警报。尽管使用了以其在识别复杂和零日攻击方面的有效性而闻名的DL算法，但IDS仍然轻量级，确保了其对现实世界部署的可行性。
车辆通讯 - 欧洲 - 加迪夫大学
主要关键词
相关文件推荐
