[论文解读] 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 10

一句话总结

本文提出了一种基于迁移学习与超参数优化的卷积神经网络（CNN）入侵检测系统（IDS），用于车联网（IoV），通过将网络流量转换为图像以增强攻击模式识别。利用粒子群优化（PSO）对五种预训练CNN模型（VGG16、VGG19、Xception、Inception、InceptionResNet）进行超参数调优，并结合置信度平均与拼接的集成学习方法，该系统在Car-Hacking与CICIDS2017数据集上均实现了超过99.25%的F1分数，展现出高精度与实时可行性，单包测试时间低于3.2毫秒。

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.

研究动机与目标

• 为解决由于车载网络中认证与加密不足，导致联网与自动驾驶汽车网络攻击面不断扩大的问题。
• 开发一种高精度、实时的入侵检测系统（IDS），适用于车内（基于CAN）与外部车载网络。
• 通过将网络流量转换为图像表示，提升CNN-based模式识别的检测性能。
• 利用粒子群优化（PSO）对CNN模型进行超参数优化，以增强特征学习与分类能力。
• 通过集成学习策略（置信度平均与拼接）提升检测的鲁棒性与准确性。

提出的方法

• 采用基于数据块的转换方法，将原始车载网络流量数据转换为二维图像表示，以可视化时间与模式特征。
• 采用五种预训练深度CNN架构——VGG16、VGG19、Xception、Inception与InceptionResNet——作为迁移学习的基学习器。
• 应用粒子群优化（PSO）对CNN模型的超参数进行调优，提升模型泛化能力与检测精度。
• 结合两种集成学习技术——置信度平均与特征拼接——整合优化后的基学习器，以提升整体性能。
• 在两个公开的IoV安全数据集上进行模型训练与评估：Car-Hacking（车内网络）与CICIDS2017（外部网络）。
• 通过在树莓派上测量每包测试时间，评估系统的实时可行性，确保符合车载网络的实时约束。

实验结果

研究问题

• RQ1 将车载网络流量转换为图像形式，是否能提升IoV系统中基于CNN的入侵检测性能？
• RQ2 粒子群优化（PSO）在调优IoV数据集上CNN超参数用于入侵检测方面，效果如何？
• RQ3 与单个模型相比，集成学习策略（置信度平均与拼接）是否显著提升了检测精度与F1分数？
• RQ4 所提出的IDS能否在低推理延迟下实现高性能检测，适用于车载系统中的实时部署？
• RQ5 在基准IoV数据集上，所提出的框架与当前最先进IDS方法相比，在F1分数、准确率与推理速度方面表现如何？

主要发现

• 所提出的IDS在Car-Hacking数据集上实现了100%的F1分数，优于所有对比的最先进方法至少0.09%。
• 在CICIDS2017数据集上，置信度平均集成模型实现了99.925%的F1分数，为所有评估模型中的最高值。
• 置信度平均集成方法每包仅需1.5毫秒推理时间，满足车载网络10毫秒/包的实时性要求。
• 置信度平均集成模型的总训练时间为2,658.1秒，显著低于拼接方法所需的3,598.7秒。
• 所有经PSO优化的基模型在CICIDS2017数据集上的F1分数均超过99.67%，证明了超参数调优的有效性。
• 基于图像的数据转换方法使攻击模式的视觉区分更加清晰，尤其在Car-Hacking数据集中，显著提升了检测性能。