面向车载网络的基于SDN的虚假数据检测及其抗机器学习攻击鲁棒性
机器学习
2025-06-10 v1 密码学与安全
摘要
随着自动驾驶和联联汽车技术的发展，现代车辆的复杂性不断增加，大量电子控制单元(ECU)集成到系统中。在车载网络中，这些ECU使用称为Controller Area Network(CAN)的标准协议相互通信。保障ECU之间通信的安全对于维持车辆的安全和安全性至关重要。本文提出一种robust的SDN-based虚假数据检测和缓解系统(FDDMS)，用于车载网络。利用软件定义网络(SDN)的独特功能，FDDMS设计用于实时监控和检测车载网络中的虚假数据注入攻击。具体我们关注SDN启用车载网络中与制动相关的ECU。首先，我们解码原始CAN数据以创建说明虚假数据如何被注入系统的攻击模型。然后，采用包含长短期记忆(LSTM)的检测模型用于识别虚假数据注入攻击。我们进一步提出一种有效的DeepFool攻击变体来评估模型的鲁棒性。为抵御包括快速梯度下降法、基本迭代法、DeepFool以及DeepFool变体等四种对抗性攻击，我们进一步增强了一种基于阈值选择策略的再训练技术方法。最后，实施一种缓解方案，通过动态更新流规则来重定向攻击流量。我们的实验结果表明，所提出的FDDMS对抗性攻击具有鲁棒性，能有效实时检测和缓解车载网络中的虚假数据注入攻击。
引用
@article{arxiv.2506.06556,
title = {SDN-Based False Data Detection With Its Mitigation and Machine Learning Robustness for In-Vehicle Networks},
author = {Long Dang and Thushari Hapuarachchi and Kaiqi Xiong and Yi Li},
journal= {arXiv preprint arXiv:2506.06556},
year = {2025}
}
备注
The 34th International Conference on Computer Communications and Networks (ICCCN 2025)