15、基于机器学习的CAN车辆网络入侵检测与伪装检测

基于机器学习的CAN车辆网络入侵检测与伪装检测

1. 数据集概述

使用了四个数据集，前两个用于分类实验，后两个用于伪装检测实验。具体信息如下表所示：
| 数据集编号 | 用途 |
| ---- | ---- |
| 1 | 分类实验 |
| 2 | 分类实验 |
| 3 | 伪装检测实验 |
| 4 | 伪装检测实验 |

2. 特征提取

• 十进制转换 ：将每个CAN消息转换为十进制等价物，将这些十进制数作为观测值，并基于数字序列训练模型。
• Word2Vec嵌入 ：将Word2Vec词嵌入技术应用于CAN数据包（作为数字）。基于重叠滑动窗口，考虑长度为五的CAN消息，训练Word2Vec模型，输出向量作为特征集用于部分实验。Word2Vec基于浅层2层神经网络，常用于自然语言处理中查找单词的上下文，它将常见单词分组，适合作为其他机器学习技术的输入。

3. 分类实验

运用多种机器学习模型对CAN数据包进行实验，并尝试使用Word2Vec特征。具体考虑的机器学习技术包括：k近邻（k - NN）、隐马尔可夫模型（HMM）、长短期记忆网络（LSTM）、深度神经网络（DNN）、支持向量机（SVM）和朴素贝叶斯。实验基于数据集1和2，目标是仅从网络数据包中识别车辆状态，不依赖其他信息。

3.1 k - NN实验

分别将k - NN应用于数值CAN数据包和Word2Vec特征，对真实数据和模拟数据进行单独实验，测量区分“空