[论文解读] 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 8

一句话总结

本文提出了一种基于软件定义网络（SDN）的车载网络框架，结合基于长短期记忆网络（LSTM）的机器学习模型，以检测联网和自动驾驶车辆中CAN总线帧的虚假信息攻击。该系统在实时异常检测中实现了95%的准确率、95%的精确率和87%的召回率，同时通过SDN控制实现动态缓解策略。

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.

研究动机与目标

• 解决由于电子控制单元（ECU）集成扩展和车与万物互联（V2X）连接增加，导致联网和自动驾驶车辆（CAVs）车载网络日益脆弱的问题。
• 开发一种专为车载网络设计的软件定义网络（SDN）框架，以增强安全性和动态控制能力。
• 构建针对制动相关ECU的虚假信息注入攻击的现实攻击模型和数据集。
• 设计并实现一种基于时间序列分类的实时机器学习异常检测系统，用于CAN总线通信流量。
• 在SDN框架内建立缓解策略，以有效响应检测到的网络攻击。

提出的方法

• 设计基于SDN的车载网络架构，以集中控制并支持动态安全策略。
• 构建针对CAN总线通信层中制动相关ECU的虚假信息攻击模型。
• 生成包含正常和攻击诱导的CAN帧标签数据集，用于训练和评估。
• 实施长短期记忆（LSTM）网络，对CAN帧序列进行时间序列分类，以检测异常。
• 将LSTM模型集成到SDN控制器中，实现实时检测与响应。
• 定义基于SDN的缓解策略，如攻击检测后的流量过滤和路由重定向。

实验结果

研究问题

• RQ1 基于SDN的车载网络架构在提升CAN帧虚假信息攻击检测与缓解方面有何优势？
• RQ2 联网和自动驾驶车辆中制动相关ECU的虚假信息攻击具有哪些关键特征？如何实现真实有效的建模与仿真？
• RQ3 基于LSTM的深度学习模型能否在低延迟和高准确率条件下有效检测时间序列CAN总线数据中的异常？
• RQ4 将机器学习与SDN集成如何提升车载网络的实时安全性？
• RQ5 在检测到虚假信息攻击后，可通过SDN动态实施哪些有效的缓解策略？

主要发现

• 所提出的基于SDN的检测框架在识别CAN帧虚假信息攻击方面实现了95%的准确率。
• 该模型表现出95%的精确率，表明攻击检测中的误报率较低。
• 召回率达到87%，意味着系统成功识别了87%的实际虚假信息攻击。
• 基于LSTM的异常检测模型满足车载网络对实时计算与通信的需求。
• SDN的集成使得可动态触发的缓解策略成为可能，从而提升了系统的韧性。
• 攻击数据集和模型为未来车载网络安全性研究提供了现实基准。