《Kuwait Journal of Science》:A dual-branch temporal-spatial deep learning architecture for efficient and accurate CAN bus intrusion detection
编辑推荐:
摘要:车载控制器局域网络(Controller Area Network,CAN)总线由于缺乏源—目的地址验证,对网络攻击具有很高脆弱性,因此面向汽车安全的及时入侵检测至关重要。传统入侵检测技术,如k近邻(k-nearest neighbors,KNN)、随机
摘要:车载控制器局域网络(Controller Area Network,CAN)总线由于缺乏源—目的地址验证,对网络攻击具有很高脆弱性,因此面向汽车安全的及时入侵检测至关重要。传统入侵检测技术,如k近邻(k-nearest neighbors,KNN)、随机森林(random forest,RF)、基于经验累积分布的离群点检测(empirical cumulative distribution-based outlier detection,ECOD)和孤立森林(iForest),通常难以联合捕获CAN流量中固有的时间演化特征与空间关系,从而导致检测速度较慢且误报率较高。本文提出一种双分支深度学习架构,将门控循环单元(gated recurrent unit,GRU)与一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)结合,用于汽车网络中的实时入侵检测。首先对原始CAN帧进行预处理,包括归一化、CAN ID编码以及滑动窗口序列构建。随后,将处理后的数据送入两个并行分支:GRU分支学习连续消息之间的时间依赖关系,而1D-CNN分支提取CAN ID与载荷字节之间的空间相关性。两个分支生成的特征经融合后输入全连接层,以实现对正常、拒绝服务(Denial-of-Service,DoS)、模糊(fuzzy)和冒充(impersonation)攻击的最终分类。该混合GRU–1D CNN框架能够同时建模序列模式与局部模式,从而在降低假阳性(false positives,FP)的同时提高检测覆盖率。基于优化时间入侵检测(optimized temporal intrusion detection system,OTIDS)数据集的实验评估表明,该模型表现优异:准确率为98.31%,精确率为96.98%,召回率为96.68%,F1值为97.49%,受试者工作特征曲线下面积(ROC-AUC)为0.989,精确率—召回率曲线下面积(PR-AUC)为0.993,同时假阳性率(false positive rate,FPR)为0.169,假阴性率(false negative rate,FNR)为0.087。结果表明,所提模型优于传统机器学习基线方法,适合在边缘端实时部署,并可增强现代汽车环境中的网络安全性。
该论文发表于《Kuwait Journal of Science》,聚焦车载控制器局域网络(Controller Area Network,CAN)总线的入侵检测问题。研究背景在于,当代汽车高度依赖CAN总线实现电子控制单元(electronic control units,ECUs)之间的车内通信,虽然CAN具有轻量、高可靠和广泛应用等优势,但其协议本身缺乏认证与加密机制,也缺少源—目的地址校验能力,因此极易遭受拒绝服务(Denial-of-Service,DoS)、模糊注入(fuzzy)和冒充(impersonation)等网络攻击。这类攻击可能破坏车内功能、引发安全风险,并随着网联汽车和自动驾驶系统的发展而进一步放大危害。现有入侵检测系统(intrusion detection system,IDS)虽已被广泛研究,但传统统计方法、阈值法以及部分机器学习模型难以充分刻画CAN流量的复杂模式,尤其难以同时建模消息序列的时间依赖与单帧内部ID—载荷关系。已有深度学习方法通常偏重时间建模或空间建模中的单一方面,顺序式混合架构又存在特征交互不足和计算代价偏高等问题,限制了其实时部署能力。因此,开展一种兼顾时序特征、空间特征与边缘部署效率的新型检测模型研究,具有明确的理论价值和工程意义。
针对上述问题,研究人员提出了一种双分支时空深度学习架构,将门控循环单元(gated recurrent unit,GRU)与一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)并行组合,面向CAN总线流量开展实时入侵检测。该模型通过GRU分支学习连续CAN消息之间的时间依赖,通过1D-CNN分支学习CAN ID与载荷字节之间的局部空间相关性,再将两类特征进行融合,并通过全连接层与SoftMax分类器完成对正常流量、DoS攻击、fuzzy攻击和impersonation攻击的判别。研究结论显示,该模型在OTIDS数据集上取得了98.31%的准确率、96.98%的精确率、96.68%的召回率、97.49%的F1值、0.989的ROC-AUC和0.993的PR-AUC,同时保持较低的FPR(0.169)和FNR(0.087),总体性能优于KNN、RF、ECOD、iForest以及若干单分支深度学习模型。论文的重要意义在于证明了并行时空联合建模对于车载网络异常检测的有效性,同时显示出模型在边缘端和资源受限ECU环境中的部署潜力,为现代汽车网络安全防护提供了可扩展的技术框架。
研究人员采用的主要技术方法包括:以真实车辆KIA Soul经OBD-II接口采集的OTIDS公开数据集为样本来源,涵盖正常流量与DoS、fuzzy、impersonation三类攻击;对原始CAN帧执行标签赋值、CAN ID编码、8字节载荷最小—最大归一化、滑动窗口时序构建及空间特征拼接;构建并行双分支GRU–1D CNN模型,其中GRU分支负责时间依赖学习,1D-CNN分支负责ID—载荷空间模式提取;采用特征融合、全连接层与SoftMax输出多分类结果,并使用Adam优化器、交叉熵损失及焦点损失(focal loss)应对训练优化与类别不平衡问题;通过分层划分与5折交叉验证,对多项分类指标进行系统评估。
在研究结果部分,论文围绕多个小标题展开了系统报告。
3.1. Data collection
研究人员说明了数据采集过程。研究使用KIA Soul真实车辆,通过OBD-II端口记录正常驾驶与攻击注入条件下的CAN总线活动。攻击包括三类:其一为持续快速注入CAN ID为0x000消息以淹没总线的DoS攻击;其二为伪造随机CAN ID与随机数据载荷的fuzzy攻击;其三为使用已有节点仲裁ID 0x164伪装合法通信的impersonation攻击。OTIDS数据集总量约40万帧,其中正常流量约18.5万帧,DoS约9.5万帧,fuzzy约7万帧,impersonation约5万帧。研究人员同时指出,该数据集仅来自单一车型、特定攻击模式与受控注入环境,因此外推性仍受一定限制。
3.2. Data preprocessing
该部分说明模型输入构建流程。研究人员首先为每条CAN消息赋予监督学习标签,以支持二分类或多分类任务。随后对CAN ID执行数值化表示,在OTIDS场景下由于活跃CAN ID数量适中且各ID样本较充足,研究优先采用独热编码(one-hot encoding)。对于每帧8字节数据载荷,则通过最小—最大归一化映射到[0,1]区间,以提升梯度稳定性、训练收敛性以及对GRU和1D-CNN的适配性。为了支持时间建模,研究将连续N=32条CAN消息构造成滑动窗口序列输入GRU;为了支持空间建模,则将编码后的CAN ID与归一化后的载荷字节拼接成单帧结构化向量供1D-CNN处理。对不足8字节的变长载荷,研究采用尾部0x00填充以形成固定长度输入。
3.3. Proposed dual-branch architecture
该部分是全文核心。研究人员提出并行双分支结构,而非传统线性串联式混合网络。时间分支采用GRU,通过更新门、重置门、候选隐状态和最终隐状态机制学习连续CAN消息中的长期与短期依赖,适合识别DoS突发和伪装时序等攻击模式。论文指出,相较长短期记忆网络(long short-term memory,LSTM),GRU具有门控更少、参数更少、内存消耗更低和收敛更快的优点,更适合部署于资源受限的ECU与边缘环境。空间分支采用1D-CNN,不仅处理载荷字节,还沿完整CAN消息向量卷积,从而联合提取CAN ID与载荷之间的局部共现模式、重复字节片段与结构化载荷排列,这一点构成其区别于仅处理payload的传统CNN方法的重要特征。随后,两分支输出进行显式拼接融合,再经稠密层和SoftMax输出四分类结果。文中还给出了具体网络配置:GRU两层,分别为128单元和64单元,dropout为0.3;CNN分支包含64与128个卷积核的两层Conv1D,中间接最大池化;融合后经128单元和64单元的全连接层,最终输出Normal、DoS、Fuzzy、Impersonation四类。训练采用Adam优化器,学习率0.001,损失函数为分类交叉熵,并引入焦点损失以减轻类别不均衡影响。
4.1. Evaluation metrics
研究人员使用准确率、精确率、召回率、F1值、ROC-AUC、FPR与FNR等指标对模型进行综合评估,并明确多分类结果采用宏平均(macro-averaging)方式计算,以避免少数类攻击在整体评估中被多数类掩盖。
4. Results
实验结果显示,双分支GRU–1D CNN模型在OTIDS数据集上的总体多分类性能优异。表3给出的核心指标为:准确率98.31%,精确率96.98%,召回率96.68%,F1值97.49%。研究人员指出,这些结果来自最佳验证轮次,并为5次分层交叉验证平均值,体现了模型的稳定性。ROC-AUC达到0.989,PR-AUC达到0.993,说明模型在阈值变化下仍具有很强的类别区分能力。FPR为0.169,FNR为0.087,表明模型在误报和漏报之间达成了较好的平衡。训练与验证准确率曲线、损失曲线均显示出较平稳的学习过程,未见明显过拟合。混淆矩阵结果中,153个正常样本与233个攻击样本被正确分类,仅有4个正常样本被误判为攻击、8个攻击样本被误判为正常,整体误分类比例较低。
4.2. Cross-dataset evaluation considerations
研究人员明确指出,尽管模型在OTIDS上表现突出,但目前尚未在car-hacking、CIC-CAN、SurvivalCAN、SynCAN等多数据集上开展统一验证,原因在于数据结构、预处理兼容性与标签标准不统一。该表述实际上界定了当前研究的适用边界,也强调未来需要进一步检验模型的跨车辆、跨协议泛化能力。
4.3. Error behaviour analysis
该部分总结了误差来源。研究发现,fuzzy攻击更易带来假阳性,这是因为合法流量中的某些正常载荷波动可能与fuzzy攻击模式重叠;DoS攻击在低流量环境中更易产生假阴性,因为其突发模式在上下文信息不足时不够显著。相比之下,impersonation攻击识别效果较好,说明模型对异常CAN ID及不规则载荷模式的学习较为充分。论文据此指出,不同攻击在时间与空间特征上的重叠是误判的重要原因。
4.4. Real-time execution and latency
研究人员还评估了模型的实时执行能力。结果表明,模型在目标边缘设备上的单次预测平均时延约为20 ms,满足实时应用需求。进一步通过模型剪枝(pruning)与量化(quantization)优化后,模型体积缩小25%,时延下降15%,更适合部署在资源受限的车载边缘设备中。文中还说明评估采用异步执行模式,即在短时间窗口内缓冲并批量处理CAN帧,以便在不阻塞安全关键控制任务的前提下完成检测。
4.5. Comparison with other model
与传统模型相比,所提方法具有更高准确性。表5显示,KNN、ECOD、随机森林和iForest的准确率分别为0.964、0.9764、83.85和0.8627,而提出模型达到0.9831。在深度学习方法比较中,LSTM-only、CNN-only、GRU-only和Transformer-based模型准确率分别为92.03、95.72、93.21和97.53,双分支模型最高,为98.31%。这说明并行融合时间与空间特征比单一建模或其他架构更有效。
4.6. Ablation study
消融实验进一步验证了双分支设计的贡献。GRU-only模型在时间建模上有效,但因缺乏空间相关性学习,FPR较高;CNN-only模型能够识别空间异常,但对长期序列依赖把握不足,召回率受限;双分支模型在准确率、精确率、召回率、F1值和ROC-AUC上均优于两种单分支模型,说明时序特征与空间特征的联合建模对CAN入侵检测具有关键作用。
在讨论部分,论文强调,所提GRU–1D CNN模型通过并行时空特征学习,有效克服了传统统计方法、单分支深度学习模型以及顺序式混合架构在CAN攻击检测中的不足。一方面,GRU捕获消息序列层面的演化规律,1D-CNN刻画单帧内部ID—payload局部结构,二者融合后提升了对DoS、fuzzy和impersonation三类攻击的识别精度;另一方面,较低的FPR与FNR、稳定的训练曲线以及较高的ROC-AUC和PR-AUC表明模型在泛化性、鲁棒性和实用性方面均具有优势。讨论还指出,现阶段模型对低流量环境下的DoS检测以及对正常载荷波动与fuzzy攻击的区分仍有提升空间。此外,研究未纳入replay、gear-spoofing和free state等攻击类型,原因主要在于OTIDS数据集缺乏相应样本,因此当前结论严格限定于论文所覆盖的攻击范围。整体而言,论文未夸大结论,而是在充分实验基础上证明了双分支时空架构在车载CAN入侵检测中的有效性和实时部署潜力。
研究结论部分可译为:所提出的GRU–1D CNN双分支入侵检测模型在识别CAN总线网络中的恶意流量方面,相较传统方法和单分支深度学习模型表现出更高的准确性与鲁棒性。该模型在误报控制与检测能力之间实现了良好平衡,F1值为97.49%,召回率为96.68%,精确率为96.98%,总体准确率为98.31%。ROC-AUC和PR-AUC分别达到0.989和0.993,进一步证明其在区分攻击帧与正常帧方面具有卓越判别能力,并能在高数据变异条件下保持可靠分类。该框架通过并行特征提取与优化融合,同时建模时间依赖关系与空间ID—载荷相关性,克服了单分支及顺序混合式IDS方法的局限。实验结果表明,该模型在DoS、fuzzy和impersonation攻击检测中具有优异性能,同时维持了平衡的误报控制和适于实时边缘部署的特性。时空学习机制的引入增强了模型在动态车载通信环境中的鲁棒性、稳定性与泛化能力,可为安全的汽车信息物理系统提供支持。未来工作将侧重于跨数据集验证,并引入自适应注意力机制,以进一步提升对演化攻击模式的泛化能力与抵御能力。