基于深度迁移学习的电动汽车网络入侵检测系统
密码学与安全
2021-07-13 v1 人工智能
摘要
控制器局域网络(CAN)总线因其简单、适宜且鲁棒的架构,成为实时车载网络(IVN)系统中的重要协议。由于数据密集的复杂架构大幅增加了对未授权网络的访问途径及各类网络攻击的可能性,IVN 设备的风险依然不安全且脆弱。因此,IVN 设备中的网络攻击检测日益受到关注。随着 IVN 快速发展与威胁类型演变,传统基于机器学习的 IDS 必须更新以应对当前环境的安全需求。如今,深度学习和深度迁移学习及其在多领域的显著影响,已作为网络入侵检测的有效方案崭露头角。本文提出一种基于深度迁移学习的 IVN 入侵检测系统(IDS)模型,相较多种现有模型性能更优。独特贡献包括:筛选最适于识别恶意 CAN 消息并准确检测正常与异常活动的有效属性、设计基于深度迁移学习的 LeNet 模型,以及基于真实数据评估。为此开展了广泛的实验性能评估。架构与实证分析表明,所提 IDS 相较主流机器学习、深度学习及基准深度迁移学习模型大幅提升了检测准确率,并在实时 IVN 安全中展现出更优性能。
引用
@article{arxiv.2107.05172,
title = {Deep Transfer Learning Based Intrusion Detection System for Electric Vehicular Networks},
author = {Sk. Tanzir Mehedi and Adnan Anwar and Ziaur Rahman and Kawsar Ahmed},
journal= {arXiv preprint arXiv:2107.05172},
year = {2021}
}
备注
23 Pages, 14 Figures, 6 Tables with Appendix