LATTE：基于LSTM自注意力的嵌入式汽车平台异常检测
机器学习
2021-07-13 v1 分布式、并行与集群计算
系统与控制
系统与控制
摘要
现代车辆可视为运行多种具有实时约束的汽车应用的复杂分布式嵌入式系统。汽车工业近期向更高自主性的发展使车辆与各种外部系统(如路侧信标、其他车辆)的连接日益紧密，这使得新兴车辆极易受到网络攻击。此外，汽车应用与车载网络复杂性的增加导致攻击可见性差，使得在这类汽车系统中检测此类攻击尤为困难。本文提出一种称为LATTE的新型异常检测框架，用于检测汽车平台内基于控制器局域网络(Controller Area Network, CAN)的网络中的网络攻击。我们所提LATTE框架采用带新型注意力机制的堆叠长短期记忆(Long Short Term Memory, LSTM)预测网络，在设计时学习正常运行行为。随后，一种新型检测方案(同样在设计时训练)用于在运行时检测各类网络攻击(作为异常)。我们在不同汽车攻击场景下评估所提LATTE框架，并与该领域已知最优已有工作进行详细对比，以展示本方法的潜力。
引用
@article{arxiv.2107.05561,
title = {LATTE: LSTM Self-Attention based Anomaly Detection in Embedded Automotive Platforms},
author = {Vipin K. Kukkala and Sooryaa V. Thiruloga and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2107.05561},
year = {2021}
}