基于CAN消息的车载入侵检测和分类模型的最佳注意力深度学习

科学领域:

• 网络安全 网络安全
• 汽车工程 汽车工程
• 人工智能的人工智能

背景情况:

• 控制器区域网络 (CAN) 总线对于汽车电子控制单元 (ECU) 至关重要,但易受攻击.
• 侵入检测系统 (IDS) 对于保护高科技车辆至关重要,深度学习 (DL) 和机器学习 (ML) 显示出前景.
• DL模型需要大量的数据,这给基于CAN的IDS带来了挑战.

研究的目的:

• 基于深度学习的车载入侵检测和分类 (OADL-IVIDC) 模型.
• 为了提高车辆内的CAN消息的安全性.
• 为了满足DL对车载IDS的数据要求.

主要方法:

• 数据预处理以格式化输入数据.
• 使用基于注意力的增强长期短期记忆 (A-LSTM) 模型用于车载IDS.
• 使用根平均平方传播 (RMSProp) 算法优化超参数.

主要成果:

• 与其他技术相比,OADL-IVIDC模型表现出卓越的性能.
• 该模型有效地检测和分类CAN消息中的入侵.
• 使用标准化汽车黑客数据集进行实验验证.

结论:

• 拟议的OADL-IVIDC模型提供了一种有效的解决方案,以确保车辆中的CAN总线通信.
• 基于注意力的LSTM方法与RMSProp优化相结合,增强了入侵检测能力.
• 这项研究有助于提高联网汽车的安全性和安全性.