[论文解读] Convolutional Neural Network-based Intrusion Detection System for AVTP Streams in Automotive Ethernet-based Networks

Seong Hoon Jeong, Boo-Sun Jeon+2 more|arXiv (Cornell University)|Feb 6, 2021

Vehicular Ad Hoc Networks (VANETs)参考文献 16被引用 10

一句话总结

本文提出了一种基于2D-CNN的新型入侵检测系统（IDS），用于检测汽车以太网网络中AVTP流注入攻击。通过在时间窗口内从AVTP数据包生成半字节级特征，该模型在真实世界BroadR-Reach测试平台数据上实现了F1得分 >0.9704 和召回率 >0.9949，证明了其在车载网络安全领域具有高精度和实时可行性。

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.

研究动机与目标

• 为解决基于汽车以太网的车载网络（IVNs）缺乏入侵检测解决方案的问题，这些网络由于高吞吐量需求以及在联网和自动驾驶汽车（CAVs）中攻击面扩大而日益脆弱。
• 设计并实现一种基于深度学习的IDS，专门用于检测汽车以太网上的AVTP流注入攻击——特别是重放攻击。
• 使用从物理BroadR-Reach测试平台捕获的真实AVTP流量对所提出的IDS进行评估，以确保实际相关性和性能验证。
• 发布一个公开的、带标签的PCAP数据集，包含良性和注入的AVTP数据包，以支持可复现性及未来在汽车网络安全领域的研究。

提出的方法

• 该方法采用两阶段流程：特征生成后接2D-CNN分类。
• 特征生成器从AVTP数据包有效载荷中提取时间窗口内的半字节级表示，捕捉与注入攻击相关的时序状态变化。
• 2D-CNN的输入是由这些半字节序列构成的2D矩阵，使模型能够学习数据包中时空模式。
• 2D-CNN架构使用卷积和池化层提取分层特征，随后通过全连接层进行二分类（良性 vs. 注入）。
• 模型在真实AVTP流量上端到端训练，最大限度减少对手动特征工程的依赖。
• 测量推理时间以验证其在CAVs中部署的实时适用性。

实验结果

研究问题

• RQ1 基于深度学习的IDS能否在汽车以太网车载网络中有效检测AVTP流注入攻击？此前研究未聚焦于该协议或网络类型。
• RQ2 当在BroadR-Reach网络的真实世界AVTP流量上进行训练时，2D-CNN模型在分类良性与注入AVTP数据包方面的表现如何？
• RQ3 所提出模型的推理延迟是多少？是否能够在实际CAV环境中支持实时检测？
• RQ4 该模型的性能指标（如F1得分、召回率）与现有IDS方法在类似网络流量上的表现相比如何？
• RQ5 所提出的特征生成方法在不依赖攻击签名先验知识的情况下，能在多大程度上捕捉AVTP数据包中的攻击相关模式？

主要发现

• 所提出的基于2D-CNN的IDS在从BroadR-Reach测试平台捕获的真实AVTP流量上实现了F1得分为0.9704，召回率为0.9949，表明检测精度高且误报率极低。
• 该模型表现出强大的泛化能力和鲁棒性，几乎正确分类了测试数据集中的所有AVTP数据包。
• 单个输入的推理时间足够低，可支持在联网和自动驾驶汽车中实时部署。
• 特征生成器有效捕捉了AVTP数据包中的时序和结构模式，使CNN能够区分注入流与正常流。
• 本研究发布了公开的、带标签的PCAP数据集，包含良性和注入的AVTP数据包，有助于实现可复现性并推动未来研究。
• 结果证实，深度学习模型可有效应用于AVTP流安全防护，填补了汽车以太网网络安全中的关键空白。