基于间接暴露训练和时间序列Transformer的鲁棒CAN总线入侵检测方法
《IEEE Aerospace and Electronic Systems Magazine》:Indirect exposure training for robust time-series can bus intrusion detection
【字体:
大
中
小
】
时间:2025年12月17日
来源:IEEE Aerospace and Electronic Systems Magazine 3.8
编辑推荐:
本文针对控制器局域网(CAN)缺乏内置安全机制的问题,提出了一种基于中心标识符预测的异常检测框架。研究人员通过统一令牌词汇表设计、系统比较输入特征配置,结合间接暴露训练策略和top-k决策规则,在三个公开数据集上验证了所提方法的有效性。结果表明,采用混合输入的一维Transformer模型结合top-5决策规则实现了最佳性能,为车载网络安全提供了创新解决方案。
在现代汽车电子系统中,控制器局域网(CAN)作为连接各种电子控制单元(ECU)的神经中枢,承担着关键的数据交换任务。然而,这个设计于上世纪80年代的通信协议存在先天安全缺陷——它缺乏身份认证、加密和完整性保护机制。随着汽车智能化程度不断提高,CAN总线面临着日益严峻的网络安全威胁,攻击者可以通过注入恶意消息操控车辆行为,甚至危及行车安全。
传统基于统计规则的入侵检测方法虽然简单高效,但难以应对精心设计的复杂攻击;而机器学习方法又严重依赖大量标注数据,在实际车载环境中获取成本高昂。近年来,深度学习技术为CAN入侵检测带来了新的希望,特别是能够捕捉时序依赖关系的长短期记忆网络(LSTM)和具有并行计算优势的Transformer模型,展现出处理CAN流量时序模式的巨大潜力。
在这项发表于《IEEE Access》的研究中,HYUNJUN JO和DEOK-HWAN KIM提出了一种创新的CAN入侵检测框架,通过中心标识符预测目标,在仅使用正常数据训练的设定下实现高效的异常检测。该研究的核心思想是:给定一个排除中心消息的滑动窗口上下文,模型预测中心ID,当真实ID不在模型的前k个假设中时,将该事件分类为异常。
研究人员系统比较了四种输入特征配置(完整消息、仅载荷、仅标识符、混合)下的二维消息窗口表示和一维扁平序列。特别值得关注的是间接暴露训练策略——窗口在全流上切割,而训练仅使用中心为正常的样本,使模型能够间接观察异常上下文而无需直接从攻击标签学习,从而稳定决策边界并减少误报。
主要技术方法包括:设计统一令牌词汇表消除ID和载荷值的歧义;采用对称滑动窗口构建时序上下文;开发混合输入配置平衡信息完整性和计算效率;实施间接暴露训练策略提升模型鲁棒性;应用top-k决策规则优化检测精度。
研究结果显示,一维输入表示在所有车辆和架构中 consistently 优于二维表示。Transformer模型在一维设置下达到最佳性能,F1分数显著提升,证实了扁平化滑动窗口上下文为令牌序列的有效性。
完整消息和混合输入配置获得最高F1性能,而仅载荷配置表现较差,表明ID序列和载荷值作为互补信息源的重要性。混合配置在减少输入长度的同时最小化性能损失,实现了效率与准确性的理想平衡。
间接暴露策略 consistently 提高所有特征配置和车辆的F1分数,特别是对载荷和混合输入的提升最为明显。该策略使模型能够更好区分真实攻击模式与良性载荷变化,有效减少误报。
应用top-k决策规则产生更平衡的操作点,精确度和召回率均保持高位。混合配置在一维Transformer架构下实现最佳F1性能,表明紧凑的ID主导表示与部分载荷上下文的结合与top-k决策规则高度契合。
与Uni-GPT、Bi-GPT、CAN-BERT和CAN-Former等现有方法相比,提出的Transformer-混合配置在Sonata和Soul数据集上获得最高F1分数,同时保持更优的精确度-召回率平衡。CAN-BERT虽然精确度达1.0,但召回率有限,而提出的方法在保持高精确度的同时显著提升召回率。
模型大小和延迟测试表明,所有Transformer变体在CPU上的单消息延迟约为1毫秒,适合在高性能车载计算节点上部署。通过模型压缩技术和网关级检测策略,该方法具备实际部署可行性。
研究结论强调,集成时间序列的CAN入侵检测框架通过高效输入表示、间接暴露训练策略和top-k决策规则的结合,显著提升检测性能。混合输入配置通过沿时间轴混合ID-only段和ID+载荷段,在保持召回率的同时减少不必要误报,提供最佳整体性能-复杂度权衡。
该研究的创新点在于使模型能够在学习期间间接接触攻击污染上下文而无需直接预测攻击标签,从而稳定攻击边界附近的预测并显著减少过度误报。通过结合间接暴露和top-k推理,该方法在正常和恶意CAN流量共存的现实环境中实现更鲁棒的异常检测,为车载网络安全提供实用解决方案。
未来研究方向包括验证框架在不同车辆平台和攻击场景下的泛化能力,在实际ECU上进行硬件在环实时评估,以及开发进一步减少标签依赖性的自监督异常检测架构。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号