[论文解读] Long Short-Term Memory Neural Networks for False Information Attack Detection in Software-Defined In-Vehicle Network

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

Network Security and Intrusion Detection参考文献 25被引用 8

一句话总结

本文提出了一种基于LSTM的异常检测模型，用于检测软件定义的车载网络中的虚假信息攻击，利用时间序列ECU数据中的序列模式。该模型在实时检测中实现了95%的准确率、95%的精确率和87%的召回率，表现出优异的性能和在安全关键型车载系统中的可行性。

ABSTRACT

A modern vehicle contains many electronic control units (ECUs), which communicate with each other through the in-vehicle network 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 and Vehicle-to-Everything (V2X) connectivity. Due to the connectivity, CAVs will be more vulnerable to remote attackers. In this study, we developed a software-defined in-vehicle Ethernet networking system that provides security against false information attacks. We then created an attack model and attack datasets for false information attacks on brake-related ECUs. After analyzing the attack dataset, we found that the features of the dataset are time-series that have sequential variation patterns. Therefore, we subsequently developed a long short term memory (LSTM) neural network based false information attack/anomaly detection model for the real-time detection of anomalies within the in-vehicle network. This 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ECU连接性增加和V2X集成，导致联网和自动驾驶汽车（CAVs）面临远程网络攻击日益增加的脆弱性。
• 设计一种安全的软件定义车载以太网网络架构，以缓解针对制动等关键系统虚假信息攻击的影响。
• 构建一个逼真的攻击数据集，模拟对制动相关ECU的虚假信息注入攻击，以支持有效模型训练与评估。
• 设计并实现一种实时异常检测系统，能够识别车载网络流量中的序列攻击模式。
• 确保检测模型满足车载环境中严格的实时通信和计算约束。

提出的方法

• 设计了一种软件定义的车载以太网网络，以集中化并保障ECU之间的通信。
• 构建了一个针对制动相关ECU的合成攻击模型，以模拟虚假信息注入攻击。
• 收集并分析了显示虚假信息攻击特征序列变化的时间序列网络流量数据。
• 在攻击数据集的序列特征上训练长短期记忆（LSTM）神经网络，以学习正常与异常行为。
• 对LSTM模型进行低延迟推理优化，以满足车载系统对实时性的要求。
• 使用标准指标（准确率、精确率和召回率）评估模型在攻击检测任务中的性能。

实验结果

研究问题

• RQ1 基于LSTM的模型能否通过学习ECU通信中的序列模式，有效检测车载网络中的虚假信息攻击？
• RQ2 在检测制动相关ECU的虚假信息攻击时，所提出的LSTM模型在准确率、精确率和召回率方面的表现如何？
• RQ3 该模型在多大程度上满足车载环境中对实时计算和通信约束的要求？
• RQ4 车载网络流量的序列特征如何影响异常检测模型的设计与性能？
• RQ5 与传统的基于CAN的系统相比，软件定义的车载网络架构在抵御虚假信息攻击方面是否能显著提升安全性？

主要发现

• 基于LSTM的检测模型在识别制动相关ECU的虚假信息攻击方面达到了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。
• 召回率为87%，表明该模型成功检测到了大多数实际的虚假信息攻击。
• 该模型满足实时性能要求，适合在安全关键型车载系统中部署。
• ECU通信数据的序列特性对于利用LSTM网络实现有效异常检测至关重要。
• 软件定义的车载网络架构为CAV中可扩展且安全的入侵检测提供了可行基础。