面向汽车控制器局域网的FPGA实时零日入侵检测系统

车辆自动化程度的提高得益于与外部世界连接性的增强，这暴露了以往孤立的汽车网络（如控制器局域网（CAN））的漏洞。CAN的属性（例如电子控制单元（ECU）之间基于广播的通信）降低了部署成本，但现在正被利用来实施主动注入攻击，如拒绝服务（DoS）、模糊测试和欺骗攻击。研究文献提出了多种部署为入侵检测系统（IDS）的监督机器学习模型来检测此类恶意活动；然而，这些模型主要局限于识别已知的攻击向量。随着主动注入攻击复杂性的不断增加，实时检测这些网络中的零日（新型）攻击（以防止传播）成为一个特别值得关注的问题。本文提出了一种基于无监督学习的卷积自编码器架构，用于检测零日攻击，该架构仅基于良性（无攻击）CAN消息进行训练。我们使用AMD/Xilinx的Vitis-AI工具对模型进行量化，目标是一个资源受限的Zynq Ultrascale平台作为我们的IDS-ECU系统进行集成。与最先进的基于无监督学习的IDS相比，所提出的模型在来自公开攻击数据集的未见过的DoS、模糊测试和欺骗攻击上成功实现了相等或更高的分类准确率（>99.5%）。此外，通过巧妙地将IDS操作与CAN消息的接收窗口重叠，该模型能够满足高速CAN的线速检测（每窗口0.43毫秒），再加上每次推理的低能耗，使得该架构非常适合检测关键CAN网络上的零日攻击。