RX-ADS：基于对抗机器学习的电动汽车CAN数据可解释异常检测
机器学习
2022-09-07 v1 人工智能
密码学与安全
摘要
近年来，电动汽车（EVs）及相关基础设施/通信取得了显著进展。入侵检测系统（IDS）被广泛部署于此类关键基础设施的异常检测中。本文提出一种可解释异常检测系统（RX-ADS），用于电动汽车CAN协议通信中的入侵检测。贡献包括：1）基于窗口的特征提取方法；2）基于深度自编码器的异常检测方法；3）基于对抗机器学习（adversarial machine learning）的解释生成方法。所提方法在两个基准CAN数据集OTIDS和Car Hacking上进行了测试。RX-ADS的异常检测性能在这些数据集上与最先进方法HIDS和GIDS进行了比较。RX-ADS方法表现出与HIDS方法相当的性能（OTIDS数据集），并优于HIDS和GIDS方法（Car Hacking数据集）。此外，所提方法能够为各种入侵引起的检测到的异常行为生成解释。这些解释随后由领域专家用于检测异常的信息所验证。RX-ADS的其他优势包括：1）该方法可在无标签数据上训练；2）解释有助于专家理解异常与根因分析，并有助于AI模型调试与诊断，最终提升用户对AI系统的信任。
引用
@article{arxiv.2209.02052,
title = {RX-ADS: Interpretable Anomaly Detection using Adversarial ML for Electric Vehicle CAN data},
author = {Chathurika S. Wickramasinghe and Daniel L. Marino and Harindra S. Mavikumbure and Victor Cobilean and Timothy D. Pennington and Benny J. Varghese and Craig Rieger and Milos Manic},
journal= {arXiv preprint arXiv:2209.02052},
year = {2022}
}