基于半监督学习的卷积对抗自编码器检测车载入侵
密码学与安全
2022-04-05 v1
摘要
随着自动驾驶技术的发展，控制器局域网（CAN）总线因其简单高效已成为车载通信系统的事实标准。然而，由于缺乏加密与认证机制，采用CAN协议的车载网络易受多种攻击。许多研究（大多基于机器学习）提出在CAN总线系统中部署入侵检测系统（IDS）以进行异常检测。尽管机器学习方法在IDS方面具有诸多优势，以往的模型通常需要大量标注数据，导致较高的时间与人力成本。为解决该问题，本文提出一种新颖的基于半监督学习的卷积对抗自编码器模型。该模型结合了两个流行的深度学习模型：自编码器与生成对抗网络（GAN）。首先，利用无标签数据训练模型以学习正常与攻击模式的流形；随后，仅在监督训练中使用少量标注样本。所提模型可检测多种消息注入攻击（如DoS、模糊与欺骗攻击）以及未知攻击。实验结果表明，与其他监督方法相比，所提模型在有限标注数据下取得了最高的0.99 F1分数与0.1%的低错误率。此外，我们通过分析可训练参数数量与推理时间层面的模型复杂度，表明该模型能够满足实时性要求。与最先进的模型相比，本研究成功将模型参数数量减少五倍、推理时间减少八倍。
引用
@article{arxiv.2204.01193,
title = {Detecting In-vehicle Intrusion via Semi-supervised Learning-based Convolutional Adversarial Autoencoders},
author = {Thien-Nu Hoang and Daehee Kim},
journal= {arXiv preprint arXiv:2204.01193},
year = {2022}
}