面向网联汽车网络安全的先进分析
密码学与安全
2017-11-09 v2
摘要
汽车网联化革命正推动汽车行业数十年来最重大的转型。然而，随着现代车辆日益互联，它们也变得更容易受到网络攻击。本文提出一种完全可行的机器学习方法来保护网联车辆（车队与个人）免受此类攻击。我们给出一个系统，监控车辆的不同接口（网络、CAN 与操作系统），基于可配置规则提取相关信息，并发送至训练好的生成模型以检测偏离正常行为的情况。通过可配置数据收集器，我们提供了更高层次的数据抽象，因为模型是基于事件而非原始数据训练的，这具有噪声过滤效果，并消除了协议变更时重新训练模型的需要。我们提出了一种针对本领域时间特性定制的异常检测新方法。将 Gutflaish 等人（2017）的混合方法适配到完全时间设定下，我们首先训练一个隐马尔可夫模型来学习正常车辆行为，然后训练一个回归模型来校准异常似然阈值。使用该架构，我们的方法能检测出其他仅监控 CAN 总线的现有方法所遗漏的复杂且真实的异常。我们还展示了自适应阈值相对于静态阈值的优越性。此外，我们的方法可高效地从监控单车扩展至服务大型车队。我们通过令人鼓舞的实证结果展示了模型的竞争优势。
引用
@article{arxiv.1711.01939,
title = {Advanced Analytics for Connected Cars Cyber Security},
author = {Matan Levi and Yair Allouche and Aryeh Kontorovich},
journal= {arXiv preprint arXiv:1711.01939},
year = {2017}
}