在重型车辆网络中检测恶意异常,使用长期短期记忆模型
Mark J Potvin1, Sylvain P Leblanc2
1Department of Mathematics and Computer Science, Royal Military College of Canada, Kingston, ON K7K 7B4, Canada.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
深度学习检测重型车辆中的J1939协议异常. 将J1939的子场训练与控制器区域网络 (CAN) 的全负载训练进行比较,显示了不同的性能,突出了对分层车辆网络安全的需求.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 深度学习应用程序
背景情况:
- 控制器区域网络 (CAN) 总线对于车辆通信至关重要.
- 在重型车辆中保护J1939协议是一个新兴的研究领域.
- 现有的研究主要集中在保护CAN总线上.
研究的目的:
- 开发和评估用于检测J1939协议异常的深度学习系统.
- 为了比较训练在数据子字段上的J1939检测系统与训练在完整数据有效负载上的CAN系统的性能.
- 评估用于车辆网络异常检测的不同培训策略的有效性.
主要方法:
- 利用长短期内存 (LSTM) 模型来预测J1939包二进制数据序列.
- 在特定的数据子字段上训练了一个J1939检测系统.
- 在完整的数据有效载荷上训练了一个比较的CAN系统.
- 评估系统使用模拟攻击数据来产生异常.
主要成果:
- J1939和CAN检测系统都在异常检测方面表现出有效性.
- 两种系统的性能因具体情况而异.
- 在子领域训练的J1939系统在某些场景中显示出明显的优势.
- 在完全有效载荷上训练的CAN系统在其他特定异常类型中表现出色.
结论:
- 多面安全方法对于强大的车辆网络保护至关重要.
- 优化训练数据策略 (子字段与全有效载荷) 影响检测效率.
- 深度学习模型显示了保护应用层协议的前景,例如J1939.
