从深度学习视角看网联自动驾驶汽车网络安全与威胁情报
密码学与安全
2021-09-23 v1 系统与控制
系统与控制
摘要
CAV 的自动化与网联性继承了现有技术的多数信息物理漏洞，例如演进的网络架构、无线通信和基于 AI 的自动化。本章阐述了源自 CAV 生态系统的 IT、OT 与物理域的信息物理漏洞与风险、多样的威胁态势以及威胁情报。为应对 CAV 生态系统中来自非常规利益相关方的高速、高维、多模态数据与资产的安全威胁，本章提出并分析了若干基于深度学习的用于攻击检测的威胁情报前沿方法。章节中包含了深度学习前沿技术，即元学习（Meta-Learning）与联邦学习（Federated Learning）及其挑战。我们提出、训练并测试了用于 CAV 威胁情报的深层 CNN-LSTM 架构；评估并比较了所提模型与 DNN、CNN、LSTM 等其他深度学习算法在 CAV-KDD 数据集上的性能。结果表明所提模型更优，尽管 DNN 与 1d-CNN 在准确率、精确率、召回率、f1-score 与 AUC 上也达到了 99% 以上。深层 CNN-LSTM 的良好性能伴随着模型复杂度的增加与繁琐的超参数调优。尽管如此，由于缺乏完善制定的协议与策略、利益相关方间权限界定不清、训练成本高、针对模型的对抗威胁以及模型在分布外数据下泛化能力差，深度学习在 CAV 网络安全范式中的采用仍面临开放挑战。
引用
@article{arxiv.2109.10763,
title = {A Deep Learning Perspective on Connected Automated Vehicle (CAV) Cybersecurity and Threat Intelligence},
author = {Manoj Basnet and Mohd. Hasan Ali},
journal= {arXiv preprint arXiv:2109.10763},
year = {2021}
}
备注
Book chapter