CANEDERLI：对抗训练与可迁移性对 CAN 入侵检测系统的影响

车辆与外部网络的日益融合导致针对其控制器局域网 (CAN) 内部总线的攻击激增。作为对策，文献中提出了各种入侵检测系统 (IDSs) 以预防和缓解这些威胁。随着车对车 (V2V) 和车对基础设施 (V2I) 通信网络的融合促进了数据量的增加，这些系统大多依赖于机器学习 (ML) 和深度学习 (DL) 模型等数据驱动方法。然而，这些系统容易受到对抗规避攻击的影响。尽管许多研究人员已经探索了这一漏洞，但他们的研究通常包含不切实际的假设，缺乏对现实威胁模型的考虑，并且未能提供有效的解决方案。在本文中，我们提出了 CANEDERLI (CAN Evasion Detection ResiLIence)，一种用于保护基于 CAN 的 IDSs 的新框架。我们的系统考虑了现实的威胁模型，并解决了对抗攻击对基于 DL 的检测系统的影响。通过考虑多种最先进的攻击和模型架构，我们的发现突出了不同攻击方法之间强大的可迁移性。我们分析了对抗训练在应对这一威胁时的影响，并提出了一种自适应在线对抗训练技术，其 F1 分数高达 0.941，优于传统的微调方法。通过公开我们的框架，我们帮助从业者和研究人员评估 IDSs 对各种对抗环境的抵御能力。