[論文レビュー] In-Vehicle False Information Attack Detection and Mitigation Framework using Machine Learning and Software Defined Networking.

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

Vehicular Ad Hoc Networks (VANETs)被引用数 8

ひとこと要約

本論文は、接続型および自動運転車両（CAVs）のCANバスフレームにおける偽装情報攻撃を検出するため、LSTMに基づく機械学習モデルと統合されたSDNベースの車載ネットワークフレームワークを提案する。本システムは、リアルタイムの異常検出において95%の正確性、95%の精度、87%の再現率を達成するとともに、SDN制御による動的対策ポリシーを可能にしている。

ABSTRACT

A modern vehicle contains many electronic control units (ECUs), which communicate with each other through the Controller Area Network (CAN) bus 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 (such as lane keeping and navigation) and Vehicle-to-Everything (V2X) connectivity. As a result, CAVs will have more vulnerabilities within the in-vehicle network. In this study, we develop a software defined networking (SDN) based in-vehicle networking framework for security against false information attacks on CAN frames. We then created an attack model and attack datasets for false information attacks on brake-related ECUs in an SDN based in-vehicle network. We subsequently developed a machine-learning based false information attack/anomaly detection model for the real-time detection of anomalies within the in-vehicle network. Specifically, we utilized the concept of time-series classification and developed a Long Short-Term Memory (LSTM) based model that detects false information within the CAN data traffic. Additionally, based on our research, we highlighted policies for mitigating the effect of cyber-attacks using the SDN framework. The SDN-based 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

• 接続型および自動運転車両（CAVs）における車載ネットワークの脆弱性の増大を、ECUの統合拡大とV2X接続性の拡張に起因して解消するため。
• 車載ネットワークに特化したソフトウェア定義ネットワーキング（SDN）フレームワークを構築し、セキュリティと動的制御を強化するため。
• 偽装情報インジェクション攻撃を標的としたブレーキ関連ECU向けの現実的で実用的な攻撃モデルとデータセットを構築するため。
• CANバストラフィックの時系列分類を用いたリアルタイムの機械学習ベースの異常検出システムを設計・実装するため。
• 検出されたサイバー攻撃に対して効果的に対応できるSDNフレームワーク内での対策ポリシーを確立するため。

提案手法

• 制御を集中化し、動的セキュリティポリシーを可能にするSDNベースの車載ネットワークアーキテクチャの設計。
• CANバス通信レイヤーにおけるブレーキ関連ECUを標的とした偽装情報攻撃モデルの構築。
• 訓練および評価用に、正常および攻撃誘発時のCANフレームのラベル付きデータセットの生成。
• 時系列分類のための長短期記憶（LSTM）ネットワークの実装により、CANフレーム列の異常検出。
• LSTMモデルをSDNコントローラーに統合し、リアルタイムの検出と対応を実現。
• 攻撃検出時に有効な対策ポリシー（例：トラフィックフィルタリングやルーティングの再配置）をSDNベースで定義。

実験結果

リサーチクエスチョン

• RQ1 SDNベースの車載ネットワークアーキテクチャは、CANバスフレームにおける偽装情報攻撃の検出と対策をどのように改善できるか？
• RQ2 CAVsにおけるブレーキ関連ECUを標的とした偽装情報攻撃の主な特徴は何か？ また、それらを現実的かつ正確にモデル化・シミュレーションできるか？
• RQ3 LSTMに基づくディープラーニングモデルは、低遅延かつ高精度で時系列CANバスデータの異常を効果的に検出できるか？
• RQ4 機械学習とSDNの統合は、車載ネットワークにおけるリアルタイムセキュリティをどのように向上させるか？
• RQ5 偽装情報攻撃の検出時に、SDNを介して動的に実行可能な効果的な対策ポリシーは何か？

主な発見

• 提案されたSDNベースの検出フレームワークは、CANフレームにおける偽装情報攻撃を95%の正確性で同定している。
• モデルは95%の精度を示しており、攻撃検出における誤検出率が低いことを裏付けている。
• 再現率は87%に達しており、実際の偽装情報攻撃の87%を効果的に同定していることを示している。
• LSTMベースの異常検出モデルは、車載ネットワークのリアルタイム計算および通信要件を満たしている。
• SDNとの統合により、攻撃検出時に即座に有効化可能な動的対策ポリシーを実現し、システムのレジリエンスが向上している。
• 攻撃データセットとモデルは、将来的な車載ネットワークセキュリティ研究のための現実的で実用的なベンチマークを提供している。