通过基于 RBM 的合成攻击数据生成推进 CAN 网络安全以用于入侵检测系统
密码学与安全
2025-03-28 v1
摘要
网络技术与工业智能的快速发展提升了汽车行业的连通性与智能化。值得注意的是，在车联网（IoV）中，对电子控制单元通信至关重要但缺乏内置安全措施的控制器局域网（CAN），已变得极易受到严重的网络安全威胁。同时，入侵检测系统（IDS）的有效性因缺乏足够的攻击数据以进行稳健的模型训练而受到阻碍。为克服这一局限性，我们引入了一种利用受限玻尔兹曼机（RBM）生成合成 CAN 攻击数据的新方法，从而生成样本分布更均衡的训练数据集。具体而言，我们设计了一个 CAN 数据处理模块，用于将原始 CAN 数据转换为 RBM 可训练格式，以及一个负样本生成模块，用于生成反映表示网络入侵的 CAN 数据帧分布的数据。实验结果表明，生成的数据显著提升了 IDS 性能，CANet 的准确率从 0.6477 提升至 0.9725，EfficientNet 从 0.1067 提升至 0.1555。代码可在 https://github.com/wangkai-tech23/CANDataSynthetic 获取。
引用
@article{arxiv.2503.21496,
title = {Advancing CAN Network Security through RBM-Based Synthetic Attack Data Generation for Intrusion Detection Systems},
author = {Huacheng Li and Jingyong Su and Kai Wang},
journal= {arXiv preprint arXiv:2503.21496},
year = {2025}
}
备注
11 pages, 10 figures, 7 tables