面向车载网关的实时小体积异常检测机器学习系统
密码学与安全
2024-06-25 v1
摘要
异常检测系统 (ADS) 是现代车载网关电子控制单元 (ECU) 的 essential 组成部分，用于检测车辆中的异常行为和攻击。在现有攻击中，“一次性”攻击是最具挑战性的检测目标，同时面临微乎纳秒级实时预算和有限代码体积的严格限制。在应对这些挑战方面，我们提出了一种方法，利用自信息理论生成训练和测试所需的数值，旨在实现对“一次性”攻击的实时检测性能，而这在过去的研究中鲜有涉及。其次，基于对数计算生成自信息，能够实现最小的体积以降低网关成本。最后，我们的方法使用无监督模型，无需异常或攻击的训练数据。我们对比了从典型机器学习模型到深度学习模型的方法，包括隐藏马尔可夫模型 (HMM)、支持向量数据描述 (SVDD) 和长短期记忆网络 (LSTM)。实验结果表明，我们提出的方法在误报率 (FPR) 上降低了 8.7 倍，测试时间加快 1.77 倍，体积缩小 4.88 倍。
引用
@article{arxiv.2406.16369,
title = {Machine Learning with Real-time and Small Footprint Anomaly Detection System for In-Vehicle Gateway},
author = {Yi Wang and Yuanjin Zheng and Yajun Ha},
journal= {arXiv preprint arXiv:2406.16369},
year = {2024}
}