[論文レビュー] Long Short-Term Memory Neural Networks for False Information Attack Detection in Software-Defined In-Vehicle Network

Zadid Khan, Mashrur Chowdhury+3 more|arXiv (Cornell University)|Jun 24, 2019

Network Security and Intrusion Detection参考文献 25被引用数 8

ひとこと要約

本論文では、時系列ECUデータにおける順序的パターンを活用して、ソフトウェア定義型車載ネットワークにおける偽情報攻撃を検出するLSTMベースの異常検知モデルを提案する。モデルはリアルタイム検出において95%の正確性、95%の正確性、87%の再現率を達成し、安全を要する自動車システムへの強力な性能と実現可能性を示している。

ABSTRACT

A modern vehicle contains many electronic control units (ECUs), which communicate with each other through the in-vehicle network to ensure vehicle safety and performance. Emerging Connected and Automated Vehicles (CAVs) will have more ECUs and coupling between them due to the vast array of additional sensors, advanced driving features and Vehicle-to-Everything (V2X) connectivity. Due to the connectivity, CAVs will be more vulnerable to remote attackers. In this study, we developed a software-defined in-vehicle Ethernet networking system that provides security against false information attacks. We then created an attack model and attack datasets for false information attacks on brake-related ECUs. After analyzing the attack dataset, we found that the features of the dataset are time-series that have sequential variation patterns. Therefore, we subsequently developed a long short term memory (LSTM) neural network based false information attack/anomaly detection model for the real-time detection of anomalies within the in-vehicle network. This attack detection model can detect false information with an accuracy, precision and recall of 95%, 95% and 87%, respectively, while satisfying the real-time communication and computational requirements.

研究の動機と目的

• ECUの接続性の増加とV2X統合に伴い、連携自動車（CAVs）が増大するリモートサイバー攻撃の脅威に対処する。
• ブレーキなどの重要なシステムを標的とする偽情報攻撃を緩和するため、安全なソフトウェア定義型車載イーサネットネットワークアーキテクチャを構築する。
• ブレーキ関連ECUへの偽情報インジェクション攻撃をシミュレートする現実的な攻撃データセットを構築し、効果的なモデルのトレーニングと評価を可能にする。
• 車載ネットワークトラフィック内の順序的攻撃パターンを同定できるリアルタイム異常検知システムを設計・実装する。
• 検出モデルが自動車環境における厳密なリアルタイム通信および計算制約を満たしていることを保証する。

提案手法

• ECU間の通信を集中管理・強化するためのソフトウェア定義型車載イーサネットネットワークを設計した。
• ブレーキ関連ECUを標的とする偽情報インジェクション攻撃をシミュレートするための合成攻撃モデルを構築した。
• 偽情報攻撃に特徴的な順序的変動を示す時系列ネットワークトラフィックデータを収集・分析した。
• 攻撃データセットの順序的特徴をLSTM（長短期記憶）ニューラルネットワークでトレーニングし、正常行動と異常行動を学習した。
• 車載システムのリアルタイム要件を満たすために、低遅延推論を最適化したLSTMモデルを設計した。
• 標準指標（正確性、正確性、再現率）を用いて、攻撃検出タスクにおけるモデルのパフォーマンスを評価した。

実験結果

リサーチクエスチョン

• RQ1 ECU通信内の順序的パターンを学習することで、LSTMベースのモデルは車載ネットワークにおける偽情報攻撃を効果的に検出できるか？
• RQ2 ブレーキ関連ECUを標的とする偽情報攻撃を検出する際、提案されたLSTMモデルの正確性、正確性、再現率はどの程度の水準にあるか？
• RQ3 自動車環境で求められるリアルタイムの計算および通信制約を、モデルはどの程度満たしているか？
• RQ4 車載ネットワークトラフィックの順序的特徴は、異常検知モデルの設計およびパフォーマンスにどのように影響を与えるか？
• RQ5 従来のCANベースのシステムと比較して、ソフトウェア定義型車載ネットワークアーキテクチャは、偽情報攻撃に対するセキュリティを向上させることができるか？

主な発見

• LSTMベースの検出モデルは、ブレーキ関連ECUに対する偽情報攻撃を95%の正確性で同定した。
• モデルは95%の正確性を示し、攻撃検出における誤検出率が低かった。
• 再現率は87%で、実際の偽情報攻撃の大部分が効果的に検出されたことを示した。
• モデルはリアルタイムパフォーマンス要件を満たしており、安全を要する車載システムへの導入に適している。
• ECU通信データの順序的性質は、LSTMネットワークを用いた効果的な異常検知を可能にする上で不可欠であった。
• ソフトウェア定義型車載ネットワークアーキテクチャは、CAVsにおけるスケーラブルかつ安全なインシデント検知の基盤を提供した。