车载 CAN 网络异常检测中有监督与半监督机器学习的对比研究
机器学习
2024-11-05 v2 人工智能
摘要
作为智能车辆控制系统的中枢神经，车载网络总线对车辆行驶安全至关重要。车载网络的最佳标准之一是控制器局域网络（CAN 总线）协议。然而，由于缺乏安全机制，CAN 总线在设计上易受各类攻击。为增强车载网络安全性并推动该领域研究，基于大规模 CAN 网络流量数据及提取的有价值特征，本研究全面对比了全监督机器学习与半监督机器学习方法在 CAN 报文异常检测上的表现。评估涵盖传统机器学习模型（包括单分类器与集成模型）以及基于神经网络的深度学习模型。此外，本研究提出一种基于深度自编码器的半监督学习方法用于 CAN 报文异常检测，并验证其优于其他半监督方法。大量实验表明，全监督方法因使用更多信息作为输入，总体优于半监督方法。典型地，所开发的基于 XGBoost 的模型取得了最先进性能，最佳准确率（98.65%）、精确率（0.9853）和 ROC AUC（0.9585）均超越文献中报道的其他方法。
引用
@article{arxiv.2207.10286,
title = {Comparative Study on Supervised versus Semi-supervised Machine Learning for Anomaly Detection of In-vehicle CAN Network},
author = {Yongqi Dong and Kejia Chen and Yinxuan Peng and Zhiyuan Ma},
journal= {arXiv preprint arXiv:2207.10286},
year = {2024}
}
备注
6 pages, 5 figures, accepted by the 25th IEEE International Conference on Intelligent Transportation Systems (IEEE ITSC 2022)