[논문 리뷰] Convolutional Neural Network-based Intrusion Detection System for AVTP Streams in Automotive Ethernet-based Networks

Seong Hoon Jeong, Boo-Sun Jeon외 2명|arXiv (Cornell University)|2021. 02. 06.

Vehicular Ad Hoc Networks (VANETs)참고 문헌 16인용 수 10

한 줄 요약

이 논문은 자동차 이더넷 네트워크에서 AVTP 스트림 주입 공격을 탐지하기 위한 새로운 2D-CNN 기반 침입 탐지 시스템(IPS)을 제안한다. 시간 윈도우 동안 AVTP 패킷에서 니블 수준의 특징을 생성함으로써, 실제 보드래치 리치 기반 테스트베드 데이터에서 F1 스코어 >0.9704 및 리콜 >0.9949를 달성하여 높은 정확도와 실시간 적용 가능성으로 차량 내 네트워크 보안에 기여한다.

ABSTRACT

Connected and autonomous vehicles (CAVs) are an innovative form of traditional vehicles. Automotive Ethernet replaces the controller area network and FlexRay to support the large throughput required by high-definition applications. As CAVs have numerous functions, they exhibit a large attack surface and an increased vulnerability to attacks. However, no previous studies have focused on intrusion detection in automotive Ethernet-based networks. In this paper, we present an intrusion detection method for detecting audio-video transport protocol (AVTP) stream injection attacks in automotive Ethernet-based networks. To the best of our knowledge, this is the first such method developed for automotive Ethernet. The proposed intrusion detection model is based on feature generation and a convolutional neural network (CNN). To evaluate our intrusion detection system, we built a physical BroadR-Reach-based testbed and captured real AVTP packets. The experimental results show that the model exhibits outstanding performance: the F1-score and recall are greater than 0.9704 and 0.9949, respectively. In terms of the inference time per input and the generation intervals of AVTP traffic, our CNN model can readily be employed for real-time detection.

연구 동기 및 목표

• 연결형 및 자율주행 차량(CAV)에서의 고대역폭 요구사항과 공격 표면의 확대로 인해 점점 더 취약해지는 자동차 이더넷 기반 차량 내 네트워크(IVN)에 대해 침입 탐지 솔루션이 부족한 문제를 해결하기 위해.
• 특히 재생 공격를 포함한 AVTP 스트림 주입 공격을 탐지하기 위해 특화된 딥러닝 기반 IDS를 설계하고 구현하기 위해.
• 실제 보드래치 리치 기반 테스트베드에서 캡처한 실제 AVTP 트래픽을 사용하여 제안된 IDS의 성능을 평가함으로써 실용성과 성능 검증을 확보하기 위해.
• 재현 가능성과 향후 자동차 네트워크 보안 분야의 연구를 지원하기 위해, 정상 및 주입된 AVTP 패킷을 포함한 공개된 레이블링된 PCAP 데이터셋을 제공하기 위해.

제안 방법

• 이 방법은 두 단계로 구성된다: 특징 생성 및 2D-CNN 분류.
• 특징 생성기는 AVTP 패킷 페이로드의 시간 윈도우 기반 니블 수준 표현을 추출하여 주입 공격와 관련된 시간적 상태 변화를 포착한다.
• 2D-CNN의 입력은 이러한 니블 시퀀스로 구성된 2차원 행렬이며, 패킷 데이터 내의 공간적 및 시간적 패턴을 학습할 수 있도록 한다.
• 2D-CNN 아키텍처는 계층적 특징을 추출하기 위해 컨볼루션 및 풀링 레이어를 사용하고, 이어지는 밀집 레이어를 통해 이진 분류(정상 대 주입)를 수행한다.
• 모델은 수동 특징 엔지니어링에 의존도를 최소화하기 위해 실제 AVTP 트래픽에서 엔드 투 엔드로 훈련된다.
• 실시간 적용 가능성을 검증하기 위해 추론 시간을 측정한다.

실험 결과

연구 질문

• RQ1 기존 연구에서 이 프로토콜이나 네트워크 유형에 초점을 맞추지 않은 자동차 이더넷 기반 IVN에서 딥러닝 기반 IDS가 AVTP 스트림 주입 공격을 효과적으로 탐지할 수 있는가?
• RQ2 실제 보드래치 리치 네트워크에서 캡처한 실제 AVTP 트래픽으로 훈련된 2D-CNN 모델이 정상 및 주입된 AVTP 패킷을 분류하는 데 얼마나 잘 성능을 내는가?
• RQ3 제안된 모델의 추론 지연 시간은 얼마이며, 실시간으로 CAV 환경에서 탐지 기능을 지원할 수 있는가?
• RQ4 유사한 네트워크 트래픽에서 기존 IDS 접근 방식과 비교해 볼 때, 모델의 성능 지표(F1 스코어, 리콜 등)는 어떠한가?
• RQ5 공격 서명에 대한 사전 지식 없이도 제안된 특징 생성 방법이 AVTP 패킷 내 공격 관련 패턴을 얼마나 잘 포착할 수 있는가?

주요 결과

• 제안된 2D-CNN 기반 IDS는 보드래치 리치 기반 테스트베드에서 캡처한 실제 AVTP 트래픽에서 F1 스코어 0.9704 및 리콜 0.9949를 달성하여 높은 탐지 정확도와 극히 낮은 거짓 음성 비율을 보였다.
• 모델는 강력한 일반화 능력과 내구성을 보였으며, 테스트 데이터셋 내 거의 모든 AVTP 패킷을 정확히 분류했다.
• 입력당 추론 시간이 매우 짧아 연결형 및 자율주행 차량 환경에서 실시간 배포에 적합했다.
• 특징 생성기가 AVTP 패킷 내 시간적 및 구조적 패턴을 효과적으로 포착하여, CNN이 주입된 스트림과 정상 스트림을 구분하는 데 기여했다.
• 연구에서는 정상 및 주입된 AVTP 패킷을 포함한 공개된 레이블링된 PCAP 데이터셋을 제공하여 재현 가능성과 향후 연구를 지원했다.
• 결과는 딥러닝 모델이 AVTP 스트림 보안에 효과적으로 적용될 수 있으며, 자동차 이더넷 네트워크 보호 분야에서 중요한 격차를 메울 수 있음을 확인했다.