ATHENA：基于车辆系统物理特性的车载 CAN 入侵检测框架
密码学与安全
2025-03-24 v1
摘要
随着车载网络(IVN)与外部环境日益互联，智能车辆正越来越容易受到高级外部网络攻击。本文提出 ATHENA，这是第一个采用车载-云端集成架构的 IVN 入侵检测框架，旨在为资源受限的车载环境实现更好的安全性能。具体而言，在云端拥有充足资源的环境中，ATHENA 使用多分布混合模型聚类方法结合深度数据挖掘技术生成 IVN CAN 消息的原始有效负载规则库，然后通过利用车辆系统的一级物理知识进行规则优化，随后定期将有效负载规则发送至车端。在车端，ATHENA 使用简单的 LSTM 组件生成表示 CAN 消息长期时间序列依赖性和周期性特征的时间规则库，但不用于检测任务，如同传统用例中仅使用生成的时间规则进行后续 IVN 入侵检测。基于来自云端和车端生成的有效负载规则和时间规则，ATHENA 可通过简单的规则匹配操作实现高效入侵检测，而不必使用资源密集型神经网络模型进行复杂的黑箱推理；事实上，神经网络模型仅用于规则逻辑生成阶段，而非实际入侵检测阶段。在覆盖新型复杂隐蔽伪装攻击实例的 ROAD 数据集上进行的比较实验结果表明，ATHENA 在检测复杂攻击方面显著优于当前最先进的 IVN 入侵检测方法。
引用
@article{arxiv.2503.17067,
title = {ATHENA: An In-vehicle CAN Intrusion Detection Framework Based on Physical Characteristics of Vehicle Systems},
author = {Kai Wang and Zhen Sun and Bailing Wang and Qilin Fan and Ming Li and Hongke Zhang},
journal= {arXiv preprint arXiv:2503.17067},
year = {2025}
}
备注
13 pages, 9 figures, 4 tables