缓解攻击数据稀缺：SCANIA在增强车载网络安全措施方面的经验
密码学与安全
2025-07-08 v2 机器学习
软件工程
摘要
联网汽车的数字演进及其随之而来的安全风险，凸显了实施入侵检测与响应系统等车载网络安全措施的关键需求。攻击场景的不断演进进一步凸显了对能够检测不断演变、未知和复杂威胁的自适应检测机制的需求。有效利用机器学习驱动技术有助于应对这一挑战。然而，由于安全、成本和伦理方面的考虑，在测试车辆上实施多样化攻击场景的限制导致了代表攻击场景的数据稀缺。这一限制需要替代性的高效且有效的方法来生成高质量的代表攻击的数据。本文提出了一种上下文感知的攻击数据生成器，该生成器生成攻击输入和相应的车载网络日志，即控制器局域网(CAN)日志，代表各种类型的攻击，包括拒绝服务(DoS)、模糊、欺骗、挂起和重放攻击。它利用参数化的攻击模型，并辅以CAN消息解码和攻击强度调整，以配置与真实场景高度相似并促进变异性的攻击场景。我们在一个入侵检测系统(IDS)案例研究中评估了生成的攻击代表数据的实用性，在该案例中，我们使用生成的数据开发并实证评估了两个深度神经网络IDS模型。除了该方法的效率和可扩展性外，IDS模型的性能结果（高检测和分类能力）也验证了生成数据的一致性和有效性。在这项经验研究中，我们还详细阐述了影响数据对真实场景保真度的方面，并提供了对其应用的见解。
引用
@article{arxiv.2507.02607,
title = {Alleviating Attack Data Scarcity: SCANIA's Experience Towards Enhancing In-Vehicle Cyber Security Measures},
author = {Frida Sundfeldt and Bianca Widstam and Mahshid Helali Moghadam and Kuo-Yun Liang and Anders Vesterberg},
journal= {arXiv preprint arXiv:2507.02607},
year = {2025}
}
备注
Accepted to the 28th Euromicro Conference on Digital System Design (DSD 2025)