基于 ROAD 数据集的 AI 驱动入侵检测系统 (IDS)：面向汽车控制器局域网 (CAN) 的对比分析
密码学与安全
2024-09-06 v2 人工智能
机器学习
摘要
现代车辆中数字设备的集成彻底改变了汽车技术，提升了安全性和整体驾驶体验。控制器局域网 (CAN) 总线是管理电子控制单元 (ECU) 之间车内通信的核心系统。然而，由于缺乏加密和认证，CAN 协议存在固有的安全漏洞，加上不断扩大的攻击面，这 necessitates robust security measures。为了应对这一挑战，人们开发并部署了大量入侵检测系统 (IDS)。然而，现有文献中仍然缺乏一个开放、全面且真实的数据集来测试此类 IDS 的有效性。本文通过引入最新的 ROAD 数据集（包含隐蔽且复杂的注入攻击）来填补这一空白。该方法包括数据集标注，并实现了最先进的深度学习模型和传统机器学习模型，以展示文献中最常用的数据集与更现实的替代方案 ROAD 数据集之间的性能差异。
引用
@article{arxiv.2408.17235,
title = {AI-Driven Intrusion Detection Systems (IDS) on the ROAD Dataset: A Comparative Analysis for Automotive Controller Area Network (CAN)},
author = {Lorenzo Guerra and Linhan Xu and Paolo Bellavista and Thomas Chapuis and Guillaume Duc and Pavlo Mozharovskyi and Van-Tam Nguyen},
journal= {arXiv preprint arXiv:2408.17235},
year = {2024}
}