用于车载网络入侵检测的单类分类
机器学习
2023-09-26 v1 密码学与安全
摘要
车载网络内的控制器局域网络总线系统未配备抵御和保护自身免受现代网络安全威胁所需的工具。已有工作使用机器学习方法检测并报告这些攻击，但常用方法对未知攻击不够鲁棒。这些方法通常依赖于存在充分的攻击数据表征，而由于要么没有足够数据来充分表征其分布，要么分布本身性质过于多样以致无法充分表征，该表征可能不可用。借助单类分类方法，此问题可得以缓解，因为仅需正常数据即可训练模型以检测异常实例。已有关于这些方法有效性的研究，最著名的是单类支持向量机和支撑向量数据描述，但其许多新扩展已被提出并尚未在车载网络注入攻击中测试。本文中，我们研究各种最先进单类分类方法对控制器局域网络总线注入攻击的检测性能。我们考察这些技术在两辆不同车辆正常行驶及受攻击时控制器局域网络总线上发起的攻击的有效性。我们观察到子空间支撑向量数据描述方法以约85%的Gmean优于所有其他被测方法。
引用
@article{arxiv.2309.14134,
title = {One-Class Classification for Intrusion Detection on Vehicular Networks},
author = {Jake Guidry and Fahad Sohrab and Raju Gottumukkala and Satya Katragadda and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2309.14134},
year = {2023}
}
备注
7 pages, 2 figures, 4 tables. Accepted at IEEE Symposium Series on Computational Intelligence 2023