14、CAN 网络入侵检测技术与实验研究

CAN 网络入侵检测技术与实验研究

1. CAN 网络入侵检测方法

CAN 网络的安全至关重要，目前有多种入侵检测方法，以下为您详细介绍：
- 基于 LSTM 的异常检测 ：
- Malhotra 等人提出基于长短期记忆（LSTM）神经网络的异常检测技术。他们使用包含不同长度数据模式的数据集，LSTM 因其长期记忆能力，能利用长序列数据。实验使用了四个数据集，包括心电图数据、航天飞机阀门数据、电力需求数据集和多传感器发动机数据集。他们在模型中使用堆叠 LSTM，结果显示使用 LSTM 无需事先了解模式持续时间，且效果优于或等同于标准循环神经网络（RNN）。
- Taylor 等人也关注基于 LSTM 的 CAN 数据序列异常检测方法。他们的工作表明 LSTM 不一定需要理解目标协议，但指出 LSTM 网络存在处理每个 CAN 消息 ID 序列独立的缺点。他们推测如果同时考虑所有 ID 及 ID 序列之间的关系，模型准确率会显著提高，但计算成本可能较高。
- 物理异常检测 ：
- Wasicek 等人提出一种基于概念验证的上下文感知入侵检测（CAID）系统。该系统通过传感器检测物理介质的变化，测量的数据包括速度、转速、燃油率、踏板位置、温度和燃油空气比等。CAID 系统依靠人工神经网络（ANN）进行异常检测，其框架由三个主要模块组成：
- 监测器 ：从车辆网络收集原始数据。
- 检测器 ：负责数据分析。
- 报告器 ：将检测结果传达给用户。
-