基于机器学习的车载CAN网络入侵检测研究

发布时间：2021-03-31 09:21

　　随着互联网、云计算和大数据的发展以及5G通信的普及,出现了很多由联网计算机控制的智能网联汽车.这种发展为人们的生活带来很大便利,但与此同时,这种与车紧密相关的网络的安全性也存在着许多问题,近年来已经证明了它们存在的许多攻击漏洞.因此,针对这种安全隐患,本文所提出的模型,通过使用多种机器学习算法来对入侵车载CAN网络进行入侵检测.首先会介绍几种常见的针对CAN网络的攻击方式,然后基于报文数据特征,分别使用Adaboost,KNN,SVM三种算法实现分类.最后,使用基于三种算法的检测模型对真实采集到的数据分别进行测试,对比检测结果,得到了三者中能实现更高准确率的算法Adaboost,准确率达到了96.22%. 

【文章来源】：天津理工大学学报. 2020,36(02)

【文章页数】：6 页

【部分图文】：

Adaboost工作流程图

SVM通常的实现过程是：通过在分开数据的超平面的两侧分别建立一个互相平行的超平面，分隔超平面使得新建的两个平行超平面的距离达到最大.如图2所示，其中w是垂直于所建立超平面的向量，b是超平面的位移间隔，x是处于超平面上的点.就将寻找最佳超平面转化成为寻找使得2/|w|最大的情况，即使|w|取最小值[19].当处理线性可分的数据时，则能找到满足条件的超平面.用公式可以表示为：3.2 检测模型构建

可以看出针对不同ID的CAN报文，三种分类器的异常检测率都有着不同的检测效果，特别地，对报头为0x10d的检测得出的检测率处于一个较低的水平，可能是选取的四个位置上的数据存在较大变化，出于整体的考虑，不对其特别进行修改.总的来说，三种算法支持的分类器都在实验中表现出了不错的分类能力.基于SVM算法的分类器总的平均检测率达到94.76%，基于KNN算法的分类器总的平均检测率达到95.37%，而基于Adaboost算法的分类器总的平均检测率高达96.22%，在各类报文中都有着不错的检测效果，在三种分类器中是表现最好的.4 结论

【参考文献】：
期刊论文
[1]CAN总线的汽车检测技术研究[J]. 刘莹莹.  南方农机. 2018(14)
[2]CAN总线的汽车车身控制系统的应用研究[J]. 宁轩.  电子测试. 2016(08)
[3]物联网环境下的智能汽车技术研究[J]. 郭一鹏.  科技展望. 2015(36)
[4]基于HOG和SVM的公交乘客人流量统计算法[J]. 徐超,高梦珠,查宇锋,曹利民.  仪器仪表学报. 2015(02)
[5]基于嵌入式的纯电动汽车CAN总线通信及实现[J]. 万晓凤,张燕飞,余运俊,凌金福,张翔.  计算机测量与控制. 2013(10)
[6]基于支持向量机和贝叶斯分类的异常检测模型[J]. 全亮亮,吴卫东.  计算机应用. 2012(06)
[7]基于支持向量机的图像语义提取研究[J]. 谢刚,古赟,王芳,雷少帅.  太原理工大学学报. 2011(06)
[8]SVM分类核函数及参数选择比较[J]. 奉国和.  计算机工程与应用. 2011(03)

硕士论文
[1]基于模糊测试的车控网络漏洞挖掘技术研究与实现[D]. 黄涛.电子科技大学 2018
[2]智能网联汽车安全网关技术的研究与实现[D]. 张鸥.电子科技大学 2018
[3]基于智能网联汽车的CAN总线攻击与防御检测技术研究[D]. 杨宏.天津理工大学 2017



本文编号：3111196