[論文レビュー] A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles

Li Yang, Abdallah Shami|arXiv (Cornell University)|Jan 27, 2022

Vehicular Ad Hoc Networks (VANETs)被引用数 10

ひとこと要約

本稿では、インターネット・オブ・ビークルズ（IoV）向けに、転移学習およびハイパーパramータ最適化を施したCNNベースのインシデント検出システム（IDS）を提案する。ネットワークトラフィックを画像に変換することで、攻撃パターンの認識を向上させる。粒子群最適化（PSO）を用いて5つの事前学習済みCNNモデル（VGG16、VGG19、Xception、Inception、InceptionResNet）のハイパーパramータを最適化し、信頼度平均化と連結によるアンサンブル学習を実施。Car-HackingおよびCICIDS2017の両データセットで99.25%を超えるF1スコアを達成し、1パケットあたり3.2ms未満のテスト時間で実現可能な高い精度とリアルタイム適合性を示した。

ABSTRACT

Modern vehicles, including autonomous vehicles and connected vehicles, are increasingly connected to the external world, which enables various functionalities and services. However, the improving connectivity also increases the attack surfaces of the Internet of Vehicles (IoV), causing its vulnerabilities to cyber-threats. Due to the lack of authentication and encryption procedures in vehicular networks, Intrusion Detection Systems (IDSs) are essential approaches to protect modern vehicle systems from network attacks. In this paper, a transfer learning and ensemble learning-based IDS is proposed for IoV systems using convolutional neural networks (CNNs) and hyper-parameter optimization techniques. In the experiments, the proposed IDS has demonstrated over 99.25% detection rates and F1-scores on two well-known public benchmark IoV security datasets: the Car-Hacking dataset and the CICIDS2017 dataset. This shows the effectiveness of the proposed IDS for cyber-attack detection in both intra-vehicle and external vehicular networks.

研究の動機と目的

• 車両ネットワークにおける不十分な認証および暗号化により、接続型および自動運転車両におけるサイバー攻撃の表面積が拡大していることに対処する。
• 車両内（CANベース）および外部車両ネットワークの両方を対象とした、高精度でリアルタイム対応可能なインシデント検出システム（IDS）を開発する。
• ネットワークトラフィックを画像表現に変換することで、CNNベースのパターン認識の性能を向上させる。
• 粒子群最適化（PSO）を用いてCNNモデルのハイパーパramータを最適化し、特徴の学習と分類性能を向上させる。
• 信頼度平均化と連結のアンサンブル学習戦略を用いて、検出の頑健性と精度を向上させる。

提案手法

• 時間的およびパターン的特徴を可視化するため、チャンクベースのデータ変換法を用いて、生の車両ネットワークトラフィックデータを2次元の画像表現に変換する。
• 転移学習のベースラーナーとして、5つの事前学習済み深層CNNアーキテクチャ（VGG16、VGG19、Xception、Inception、InceptionResNet）を採用する。
• モデルの汎化性能と検出精度の向上を目的として、粒子群最適化（PSO）を用いてCNNモデルのハイパーパramータを最適化する。
• 全体の性能を向上させるために、2つのアンサンブル学習手法（信頼度平均化と特徴連結）を用いて最適化されたベースモデルを統合する。
• 2つの公開IoVセキュリティデータセット（Car-Hacking（車両内）およびCICIDS2017（外部ネットワーク））を用いて、アンサンブルモデルの学習と評価を実施する。
• Raspberry Pi上で1パケットあたりのテスト時間を測定することで、リアルタイム適合性を評価し、車両ネットワークの制約を満たしていることを確認する。

実験結果

リサーチクエスチョン

• RQ1 車両ネットワークトラフィックを画像形式に変換することで、IoVシステムにおけるCNNベースのインシデント検出の性能が向上するか？
• RQ2 粒子群最適化（PSO）は、IoVデータセットにおけるCNNハイパーパramータの最適化にどの程度効果的か？
• RQ3 アンサンブル学習戦略（信頼度平均化と連結）は、個々のモデルと比較して、検出精度およびF1スコアを顕著に向上させるか？
• RQ4 提案されたIDSは、車両システムにおけるリアルタイム展開に適した低遅延推論性能を達成できるか？
• RQ5 ベンチマークIoVデータセットにおいて、提案フレームワークは、F1スコア、正答率、推論速度の観点から、最先端のIDS手法と比較して優れているか？

主な発見

• 提案されたIDSは、Car-Hackingデータセットで100%のF1スコアを達成し、比較対象の最先端手法すべてを最低0.09%以上上回った。
• CICIDS2017データセットでは、信頼度平均化アンサンブルモデルが99.925%のF1スコアを達成し、評価済みすべてのモデルの中で最高を記録した。
• 信頼度平均化アンサンブル手法の推論時間は1パケットあたりわずか1.5msであり、車両ネットワークのリアルタイム要件（10ms/パケット）を満たした。
• 信頼度平均化アンサンブルの総学習時間は2,658.1秒であり、連結手法に比べて3,598.7秒よりも顕著に短かった。
• すべてのPSO最適化ベースモデルは、CICIDS2017データセットで99.67%以上のF1スコアを達成し、ハイパーパラメータチューニングの有効性を示した。
• 画像ベースのデータ変換法により、攻撃パターンの明確な視覚的区別が可能となり、特にCar-Hackingデータセットで高い検出性能が達成された。