一种基于迁移学习与优化 CNN 的车联网入侵检测系统
密码学与安全
2022-08-16 v1 人工智能
计算机视觉与模式识别
机器学习
网络与互联网体系结构
摘要
现代车辆（包括自动驾驶车辆与网联车辆）正日益与外部世界相连，从而实现了多样的功能与服务。然而，不断增强的连通性也扩大了车联网（IoV）的攻击面，致使其易受网络威胁。由于车载网络缺乏认证与加密机制，入侵检测系统（IDSs）成为保护现代车辆系统免受网络攻击的关键手段。本文提出一种基于迁移学习与集成学习、面向 IoV 系统并采用卷积神经网络（CNNs）与超参数优化技术的 IDS。实验中，所提 IDS 在两个知名公共基准 IoV 安全数据集——Car-Hacking 数据集与 CICIDS2017 数据集上取得了超过 99.25% 的检测率与 F1 分数。这表明该 IDS 对于车内与车外车载网络中的网络攻击检测均具有效性。
引用
@article{arxiv.2201.11812,
title = {A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles},
author = {Li Yang and Abdallah Shami},
journal= {arXiv preprint arXiv:2201.11812},
year = {2022}
}
备注
Accepted and to appear in IEEE International Conference on Communications (ICC); Code is available at Github link: https://github.com/Western-OC2-Lab/Intrusion-Detection-System-Using-CNN-and-Transfer-Learning