یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق برای گذرگاه can

در سال‏های اخیر، با پیشرفت الکترونیک خودرو و توسعه وسایل نقلیه مدرن با کمک سیستم‏ های نهفته و تجهیزات قابل حمل، شبکه ‏های درون-خودرویی مانند شبکه ناحیه کنترل کننده (can) با مخاطرات امنیتی جدیدی مواجه شده‏اند. از آنجا که گذرگاه can فاقد سیستم های امنیتی مانند تایید اعتبار و رمزگذاری برای مقابله با حملات سایبری می‏باشد، نیاز به یک سیستم تشخیص نفوذ برای شناسایی حملات به گذرگاه can بسیار ضرروی به نظر می‏رسد. در این مقاله، یک شبکه عصبی پیچیده متخاصم عمیق (dacnn) برای تشخیص انواع نفوذهای امنیتی در گذرگاه‏های can پیشنهاد شده است. به این منظور، روش dacnn که گسترش یافته روش cnn با استفاده از یادگیری خصمانه است، در سه مرحله به تشخیص نفوذ می پردازد؛ در مرحله نخست، cnn به عنوان توصیفگر ویژگی ها عمل نموده و ویژگی‏های اصلی استخراج می‏شود و سپس، طبقه بندی کننده متمایزگر این ویژگی‏ها را طبقه‏بندی می کند و در نهایت، به کمک یادگیری خصمانه نفوذ تشخیص داده می‏شود. جهت بررسی کارآمدی روش پیشنهادی، یک مجموعه داده منبع باز واقعی مورد استفاده قرار گرفت که ترافیک شبکه can را بر روی یک وسیله نقلیه واقعی در حین انجام حملات تزریق پیام ضبط نموده است. نتایج به دست آمده نشان می‏دهد که روش پیشنهادی نسبت به سایر روش‏های یادگیری ماشین در نرخ منفی کاذب و میزان خطا عملکرد بهتری دارد که این میزان برای dos و حمله جعل دنده محرک و حمله جعل rpm کمتر از 0,1 % می باشد و این میزان برای حمله فازی کمتر از 0,5% می باشد.

an intrusion detection system based on deep learning for can bus

in recent years, with the advancement of automotive electronics and the development of modern vehicles with the help of embedded systems and portable equipment, in-vehicle networks such as the controller area network (can) have faced new security risks. since the can bus lacks security systems such as authentication and encryption to deal with cyber-attacks, the need for an intrusion detection system to detect attacks on the can bus seem to be very necessary. in this paper, a deep adversarial neural network (dacnn) is proposed to detect various types of security intrusions in can buses. for this purpose, the dacnn method, which is an extension of the cnn method using adversarial learning, detects intrusion in three stages; in the first stage, cnn acts as a feature descriptor and the main features are extracted, and in the second stage, the discriminating classifier classifies these features and finally, the intrusion is detected using the adversarial learning. in order to show the efficiency of the proposed method, a real open source dataset was used in which the can network traffic on a real vehicle during message injection attacks is recorded on a real vehicle. the obtained results show that the proposed method performs better than other machine learning methods in terms of false negative rate and error rate, which is less than 0.1% for dos and drive gear forgery attack and rpm forgery attack while this rate is less than 0.5% for fuzzy attack.