基于混合 FPGA 的轻量级多攻击 CAN 入侵检测系统

车辆日益增强的连通性正在赋能诸如联网自动驾驶和高级驾驶辅助系统 (ADAS) 等新功能，以提升下一代车辆的安全性与可靠性。然而，对车内功能访问的增加危及了使用 Controller Area Network (CAN) 等传统车内网络的关键能力，该网络缺乏固有的安全或认证机制。入侵检测与缓解方法，尤其是使用机器学习模型的方法，凭借其对新攻击向量的泛化能力，在检测 CAN 中的多种攻击向量方面展现出可喜的结果。然而，大多数部署需要 GPU 等专用计算单元来执行线速检测，功耗大幅增加。本文提出一种轻量级多攻击量化机器学习模型，使用 Xilinx 的 Deep Learning Processing Unit IP 部署在 Zynq Ultrascale+ (XCZU3EG) FPGA 上，并使用公开的 CAN Intrusion Detection 数据集进行训练和验证。该量化模型检测拒绝服务攻击和模糊攻击的准确率超过 99%，误报率为 0.07%，与文献中最先进的技术相当。该入侵检测系统 (IDS) 执行仅消耗 2.0 W 功率（同时 ECU 上运行软件任务），且每条消息的处理延迟较最先进实现降低了 25%。这种部署允许 ECU 功能与 IDS 共存，且对任务的改动极小，使其成为车内系统实时 IDS 的理想选择。