基于SecureBERT与LLAMA 2的控制器局域网络入侵检测与分类
密码学与安全
2023-11-22 v1 人工智能
机器学习
摘要
大量研究已证明其检测控制器局域网络（CAN）攻击的有效能力。在理解人类语义空间领域，基于transformer的模型已展现出显著有效性。利用预训练transformer已成为各种语言相关任务的常见策略，使这些模型能更全面地把握人类语义。为深入评估预训练模型对CAN入侵检测的适应性，我们开发了两种不同模型：CAN-SecureBERT和CAN-LLAMA2。值得注意的是，我们的CAN-LLAMA2模型在平衡准确率、精确检测率、F1分数方面取得了0.999993的卓越性能，且误报率低至3.10e-6，超越了最先进的模型。令人印象深刻的是，其误报率比领先模型MTH-IDS（多层混合入侵检测系统）小52倍。我们的研究强调了以大型语言模型（LLM）作为基础模型，同时融入适配器以处理其他网络安全相关任务并保持模型固有语言相关能力的潜力。
引用
@article{arxiv.2311.12074,
title = {SecureBERT and LLAMA 2 Empowered Control Area Network Intrusion Detection and Classification},
author = {Xuemei Li and Huirong Fu},
journal= {arXiv preprint arXiv:2311.12074},
year = {2023}
}
备注
13 pages, 13 figures, 6 tables