针对车载CAN-FD消息的多重攻击入侵检测
Fei Gao1, Jinshuo Liu2, Yingqi Liu3
1State Key Laboratory of Automotive Simulation and Control, Jilin University, Changchun 130025, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
本研究引入了一种用于控制器区域网络与灵活数据 (CAN-FD) 总线的新型入侵检测模型. 该模型增强了CAN-FD网络的异常检测准确性,改善了对攻击的网络安全.
科学领域:
- 网络安全 网络安全
- 汽车网络 汽车网络
- 侵入检测系统 侵入检测系统
背景情况:
- 具有灵活数据的控制器区域网络 (CAN-FD) 缺乏强大的信息安全,使其易受攻击.
- 现有的CAN-FD异常检测方法需要提高准确性,以有效防止网络威胁.
研究的目的:
- 为CAN-FD总线安全提出一种新的,两种子模型的入侵检测系统.
- 提高CAN-FD网络中异常检测的准确性和分类能力.
主要方法:
- 开发了一种两阶段模型:使用长短期记忆 (LSTM) 进行时间模式识别的异常数据检测模型 (ADDM).
- 将注意力机制集成到异常分类检测模型 (ACDM) 中,以改进基于序列的关系识别.
- 对真实车辆的模型进行了评估,并建立了CAN-FD入侵数据集.
主要成果:
- 拟议的模型在检测CAN-FD数据上的异常方面表现出卓越的性能.
- 与基于LSTM的方法相比,精度提高了1.44%,与基于CNN-LSTM的方法相比,精度提高了1.01%.
- 展示了更广泛的适用性和更精细的多次攻击分类能力.
结论:
- 新的入侵检测模型显著提高了CAN-FD网络的安全性.
- 结合LSTM和注意力机制,为汽车系统中先进的网络威胁检测提供了一个有希望的方法.
更多相关视频
07:14Tracking Infiltration Front Depth Using Time-lapse Multi-offset Gathers Collected with Array Antenna Ground Penetrating Radar
Published on: May 1, 2018
7.8K
13:10In Situ Detection of Autoreactive CD4 T Cells in Brain and Heart Using Major Histocompatibility Complex Class II Dextramers
Published on: August 1, 2014
11.8K
