基于图机器学习检测控制区域网络中的伪装攻击
密码学与安全
2025-12-18 v2 机器学习
摘要
现代车辆依赖于通过控制区域网络（CAN） interconnect 的众多电子控制单元（ECU）进行关键操作。尽管其使用广泛且可靠，但CANs仍然容易受到高级网络攻击，特别是伪装攻击，这类攻击注入的假数据模拟在预期频率下出现的合法消息。这种攻击会导致严重风险，如意外加速、刹车失效和异常转向。传统的入侵检测系统（IDS）往往难以检测到由于其无缝集成到正常流量中的这些细微入侵。本文引入了一种用于检测CAN总线上伪装攻击的新型框架，基于图机器学习（ML）。我们假设，将浅层图嵌入与从CAN帧中派生的时间序列特征相结合，可提高对伪装攻击的检测能力。我们表明，通过将CAN总线帧表示为消息序列图（MSG），并将每个节点丰富为来自时间序列的上下文统计属性后，可在使用图特征时检测到的各种攻击模式方面提升检测能力。我们的方法确保了对CAN帧相互作用的全面且动态分析，提高了鲁棒性和效率。在ROAD数据集上进行的大量实验验证了我们方法的有效性，显示在仅使用图特征的基线之上的伪装攻击检测率具有统计显著性改进，Mann-Whitney U检验和Kolmogorov-Smirnov检验p<0.05。
引用
@article{arxiv.2408.05427,
title = {Detecting Masquerade Attacks in Controller Area Networks Using Graph Machine Learning},
author = {William Marfo and Pablo Moriano and Deepak K. Tosh and Shirley V. Moore},
journal= {arXiv preprint arXiv:2408.05427},
year = {2025}
}