Выявление аномалий трафика в бортовой сети автомобиля с помощью рекуррентной LSTM нейросети
Автор: Трошин А.В.
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Сети связи и мультисервисные услуги
Статья в выпуске: 4 (84) т.21, 2023 года.
Бесплатный доступ
В современных автомобилях высокого уровня применяется множество электронных блоков контроля и управления,повышающих удобство вождения и собирающих большие объемы информации о работе различных узлов. В значительной части такого автотранспорта для обмена сообщениями между электронными блоками применяется сеть контроллеров - надежное и простое решение, которое, однако, не обеспечивает никаких средств защиты передаваемых данных. Проблема уязвимости сети контроллеров все более обостряется по мере того, как возрастает обмен данными между автомобилями, дорожной инфраструктурой и Интернетом. Трафик атак на сеть контроллеров можно рассматривать как аномальный по отношению к легитимным сообщениям, что позволяет использовать для их обнаружения различного рода методы обнаружения аномалий. В данной работе рассматривается способ выявления аномалий трафика на базе рекуррентной нейросети с ячейками долгой краткосрочной памяти, спроектированной по архитектуре энкодер-декодер.
Сеть контроллеров, обнаружение аномалий, обучение без учителя, кибербезопасность, рекуррентная нейросеть
Короткий адрес: https://sciup.org/140306003
IDR: 140306003 | DOI: 10.18469/ikt.2023.21.4.02
Список литературы Выявление аномалий трафика в бортовой сети автомобиля с помощью рекуррентной LSTM нейросети
- Car hacking and defense competition on in-vehicle network / H. Kang [et al.] // Third International Workshop on Automotive and Autonomous Vehicle Security. 2021. URL: https://dx.doi.org/10.14722/autosec.2021.23035 (дата обращения: 20.11.2023).
- CAN-ADF: The controller area network attack detection framework / S. Tariq [et al.] // Computers & Security. 2020. Vol. 94. P. 101857. DOI: 10.1016/ j.cose.2020.101857.
- An intelligent secured framework for cyberattack detection in electric vehicles’ CAN bus using machine learning / O. Avatefipour [et al.] // IEEE Access. 2019. Vol. 7. P. 127580-127592. DOI: 10.1109/ACCESS.2019.2937576.
- Song H.M., Woo J., Kim H.K. In-vehicle network intrusion detection using deep convolutional neural networks // Vehicular Communications. 2020. Vol. 21. URL: https://doi.org/10.1016/j.vehcom.2019.100198 (дата обращения: 10.12.2023).
- Anomaly detection for in-vehicle network using CNN-LSTM with attention mechanism / H. Sun [et al.] // IEEE Transactions on Vehicular Technology. 2021. Vol. 70, no. 10. P. 10880-10893. DOI: 10.1109/TVT.2021.3106940.
