48、时间关键型汽车网络中基于堆叠LSTM的异常检测

时间关键型汽车网络中基于堆叠LSTM的异常检测

1. 研究概述

在汽车系统中，网络安全至关重要，因为车辆面临着各种网络攻击的威胁。为了有效检测这些攻击带来的异常行为，提出了一些关键改进和研究：
- 对电子控制单元（ECU）中的通信控制器进行修改，以实现异常检测系统。
- 全面分析用于量化系统正常行为偏差的偏差度量的选择。
- 探索了提出的LATTE框架的多个变体，选择性能最佳的一个，并与该领域的知名现有工作进行比较，以展示LATTE的有效性。

2. 相关工作

车辆网络攻击会引入异常行为，因此异常检测是保障汽车网络安全的关键。在计算机网络领域，异常检测是一个热门研究话题，但现有的网络解决方案因计算能力需求高，难以应用于资源受限的汽车网络。过去十年，针对汽车系统的异常检测开发了多种解决方案，主要分为启发式和机器学习两类：
|类型|特点|
| ---- | ---- |
|启发式异常检测|观察已知攻击特征的痕迹，检测速度快、成本低，但难以检测复杂和新型攻击，且对所有可能的攻击特征进行建模不切实际，适用范围有限。|
|机器学习异常检测|在离线阶段学习系统的正常行为，运行时观察与正常行为的偏差来检测异常，能检测已知和未知攻击，但部分技术存在局限性，如依赖特定系统、计算复杂、无法考虑消息时间关系等。|

2.1 启发式异常检测

• 语言理论模型 ：从车辆的CAN总线获取已知攻击的特征，但在攻击早期可能漏检异常消息。
• 转移矩阵模型 ：检测CAN总线系统中的异常序列，对简单