用于软件定义车载网络中虚假信息攻击检测的长短期记忆神经网络
计算机与社会
2019-09-26 v2 机器学习
网络与互联网体系结构
摘要
现代车辆包含许多电子控制单元（ECU），它们通过车载网络相互通信以保障车辆安全性与性能。新兴的网联自动驾驶汽车（CAVs）由于大量附加传感器、高级驾驶功能以及车联网（V2X）连接，将具有更多的ECU及其间耦合。由于连通性，CAVs将更易受到远程攻击者威胁。本研究开发了一种软件定义车载以太网网络系统，可抵御虚假信息攻击。随后我们建立了针对制动相关ECU的虚假信息攻击模型与攻击数据集。分析该攻击数据集后发现，其特征是具有时序变化模式的时间序列。因此，我们进一步开发了基于长短期记忆（LSTM）神经网络的虚假信息攻击/异常检测模型，用于车载网络内异常的实时检测。该攻击检测模型检测虚假信息的准确率、精确率与召回率分别为95%、95%和87%，同时满足实时通信与计算需求。
引用
@article{arxiv.1906.10203,
title = {Long Short-Term Memory Neural Networks for False Information Attack Detection in Software-Defined In-Vehicle Network},
author = {Zadid Khan and Mashrur Chowdhury and Mhafuzul Islam and Chin-Ya Huang and Mizanur Rahman},
journal= {arXiv preprint arXiv:1906.10203},
year = {2019}
}
备注
11 Pages, 6 Figures, 7 Tables, submitted for possible publication in IEEE Transaction on Vehicular Technology, currently under review