56、汽车网络异常检测与犯罪数据预测分析

汽车网络异常检测与犯罪数据预测分析

一、CAN 总线网络异常检测

1.1 相关研究

随着对 CAN 总线安全问题的日益关注，行业和学术界提出了多种保护解决方案。传统计算机网络的 IDS 异常检测启发式方法常被用于识别车载网络活动中的异常。不同的研究团队提出了不同的模型：
- Lokman 等人 ：基于无监督深度学习模型 Deep Contractive Auto - encoders（DCAEs）创建了 IDS，识别率达 91.0%，但需更多测试以证明其对更广泛网络攻击的有效性。
- Zhang 等人 ：在 2019 年提出的车载安全解决方案，能识别欺骗和重放威胁，在虚拟环境中检测准确率为 97.0 - 98.0%，且能适应新威胁。
- Zhu 等人 ：提出基于 LSTM 的技术加速入侵检测，使用多任务 LSTM 模型，准确率超 80%。
- Avatefipour 等人 ：开发了基于单类修改 SVM 的有效 IDS，能检测 CAN 流中的三种攻击，准确率超 90%。
- Song 等人 ：使用深度卷积神经网络（DCNN）IDS 实时检测车辆系统的多种攻击，检测成功率为 80%，但误报较多。

1.2 提出的工作

1.2.1 模型选择

本研究使用了多种基于树的模型，如自适应提升、梯度提升、装袋、XGBoost 和 LGBM，同时设计了基于 LSTM 神经网络的入侵检测模型。