关键词:
车载网络
入侵检测
信息熵
深度学习
摘要:
随着汽车不断朝智能化、网联化、电动化、共享化快速发展,给人民带来舒适和便捷高效出行体验的同时,由于汽车对外通信接口和需求的增强,原本独立网络的车载网络也面临了日趋严谨的网络安全威胁。控制器局域网络(Controller Area Network,CAN)作为一种车载网络标准,因其低成本、高可靠和抗干扰性强被广泛采用,但在协议制定之初并未考虑网络安全问题,因此暴露了不容忽视的安全缺陷。这些缺陷可能成为黑客攻击的突破口,给驾乘人员的安全带来严重威胁。鉴于此,增强车载网络安全的技术已成为国内外学者研究的热点。
本文以保障车载网络安全为出发点,详细分析了车联网系统架构、车载网的研究现状以及CAN网络的安全漏洞,对目前的车载CAN网络入侵检测的方法难以同时兼顾实时性和准确性的要求,提出了一种融合信息熵和深度学习的车载CAN网络入侵检测的方法,该方法结合了信息熵检测方法的低时延和深度学习检测方法的高精度的优势,该方法同时满足了车载CAN网络入侵检测的实时性和准确性的要求。其中本文主要研究工作如下:
(1)研究了车载CAN网络的特点、通信机制及其在安全性方面的挑战。对比了国内外在CAN网络系统安全性方面的研究现状,并强调了目前对于检测系统侵入行为的技术所面临的主要问题。针对现有的方法难以兼顾实时性和准确性的问题,提出一种低时延和高精度的车载网络入侵检测的方案。
(2)提出了基于信息熵的车载CAN网络入侵检测,对当前的信息熵的入侵检测的选取检测窗口策略进行改进,采用模拟退火的算法来选取最佳检测窗口大小和灵敏度,提高了近5%的检测准确率。
(3)提出了一种低时延和高精度的车载CAN网络入侵检测方法。该方法主要分为两个阶段:第一阶段是利用信息熵和信息熵方差的方法对一段窗口内的异常CAN数据进行检测,以实现快速响应;第二阶段是利用Res Net(残差卷积神经网络)方法对第一阶段中该段窗口内的异常CAN报文进一步检测,以此提升识别的准确率并识别出攻击报文的类型。与其他车载CAN网络入侵检测的方法相比,本文所提出的方法在实时性和准确性上有更好的检测性能。上述方法在检测的准确率可达到99.82%。同时检测每条报文的平均耗时为1.62ms。
综上所述,本文所提出的融合信息熵和深度学习的车载网络入侵检测方法在保障CAN网络实时性的同时,提高了网络的安全性能,并且满足了车载CAN网络入侵检测的实时性和准确性的要求。本文巧妙的将传统的车载CAN网络入侵检测与人工智能技术相结合,为车载网络的入侵检测提供了全新的研究思路。