基于层次化联邦学习的车内网络鲁棒多阶段入侵检测系统
密码学与安全
2024-08-19 v1
摘要
随着互联和自动驾驶车辆的普及，控制器局域网（CAN）总线已成为车内网络的主导通信标准，因其速度和效率。然而，CAN 总线缺乏认证和加密等基本安全措施，使其极易受到网络攻击。为确保车内安全，入侵检测系统（IDS）必须检测已知攻击并对新的未知攻击提供鲁棒防御，同时保持轻量级以实现实际部署。此前的工作仅依赖 CAN ID 特征或使用具有手动特征提取的传统机器学习方法。这些方法忽略了其他可利用的特征，使其难以适应新的未知攻击变体并损害安全性。本文提出了一种前沿的、新型的、轻量级的基于深度学习的 IDS 算法以解决这些限制。所提出的 IDS 采用多阶段方法：第一阶段使用人工神经网络（ANN）检测已知攻击，第二阶段使用长短期记忆（LSTM）自编码器检测新的未知攻击。为理解并分析多样化的驾驶行为、更新模型以应对最新攻击模式并保护数据隐私，我们提出在层次化联邦学习（H-FL）环境中部署 IDS 的理论框架。实验结果表明，我们的 IDS 对已知攻击的 F1 分数超过 0.99，对新攻击的 F1 分数超过 0.95，检测率达到 99.99%。此外，误报率（FAR）极低，仅为 0.016%，最大程度减少了误报。尽管使用了以识别复杂和零日攻击有效性著称的深度学习算法，IDS 仍保持轻量级，确保了其在实际部署中的可行性。
引用
@article{arxiv.2408.08433,
title = {A Robust Multi-Stage Intrusion Detection System for In-Vehicle Network Security using Hierarchical Federated Learning},
author = {Muzun Althunayyan and Amir Javed and Omer Rana},
journal= {arXiv preprint arXiv:2408.08433},
year = {2024}
}
备注
24 pages