详情

原文传递针对智能网络汽车CAN总线的入侵检测关键技术研究

论文题名：	针对智能网络汽车CAN总线的入侵检测关键技术研究
关键词：	智能网联汽车;CAN总线;入侵检测;深度学习;身份认证
摘要：	随着互联网技术的快速发展，各种高新技术逐渐被使用在汽车上，智能网联汽车开始进入大众的视野。然而，智能网联汽车在提供诸多便利功能和良好驾驶体验的同时，也带来了更多的安全隐患。高新技术的引用，使越来越多的外部接口连接到汽车网络中，每一个外部接口在提供多样化功能的同时，也成为了汽车受到攻击的潜在途径，使智能网联汽车更容易遭受黑客攻击，从而造成驾驶员个人信息泄露，车辆失控等安全事故，因此，智能网联汽车正面临着前所未有的巨大安全风险。控制器局域网络（ControllerAreaNetwork，CAN）总线作为汽车内部网络的通信桥梁，已成为车载网络实际上的标准被广泛的应用于各种汽车中。同时几乎所有针对汽车的危害攻击都涉及CAN总线，攻击的最终落脚点都在CAN总线上，其重要性不言而喻。但由于CAN总线在设计之初并没有过多的考虑安全问题，使得CAN总线很容易成为入侵者的利用对象。因此，研究针对智能网联汽车中CAN总线的相关防御技术具有重要意义。　　本文针对上述问题提出了两个入侵检测方法用于保护CAN总线安全，同时基于这两种方法实现了一个入侵检测系统。本文主要的研究工作有以下三个部分。　　（1）基于ResNet-LSTM的CAN总线入侵检测方法。针对CAN总线脆弱性现状，同时为了更好的获取CAN总线数据集中的时序特征，本文设计了一款名为“HybrIDS”的CAN总线入侵检测方法。该方法通过结合ResNet神经网络和LSTM神经网络的优点，使得模型能够更好的提取CAN数据帧中的时序特征，从而提升模型性能。为了验证模型的性能，本文在不同的数据集上进行了实验，并与现有的三种方法进行了对比。实验结果表明，该入侵检测模型的检测性能较对比模型具有更好的表现。　　（2）提出基于生物学特征的CAN总线入侵检测方法。在已有的CAN总线入侵检测研究中，研究人员并没有考虑到驾驶员的驾驶行为生物学特征。本文通过实验证明，个人驾驶习惯在CAN总线中的数据表现同样能够作为模型的学习特征，这一特征的引入对模型性能的提升具有帮助。为了进一步提高CAN总线入侵检测方法的实用性，本文采集了一种带有驾驶员生物学特征的CAN总线数据集，该数据集更能反应汽车的实际使用情况。最后通过实验分析，该方法能够充分利用数据集中驾驶员的生物学特征，在具有更加严格的检测约束下，仍然具备良好的检测性能。在已有的研究中，本文首次将驾驶员的生物学特征用于CAN总线入侵检测。　　（3）设计与实现CAN总线入侵检测系统。基于上述两种入侵检测的研究内容，本文开发了一款CAN总线入侵检测系统。该系统能够随意的选择用于训练的模型与数据集，并且具有模型训练参数库，能够指导开发人员更好的优化模型。同时，该系统能够直观的展示实验运行的结果及模型的评估指标。
作者：	何佳豪
专业：	计算机技术
导师：	鲁辉
授予学位：	硕士
授予学位单位：	广州大学
学位年度：	2023