تشخیص حملات در شبکه‌های خودرویی خودران با استفاده از یادگیری عمیق

وسایل نقلیه مدرن، ازجمله وسایل نقلیه خودران و وسایل نقلیه متصل، به‌طور فزاینده‌ای به محیط خارج از خود متصل می‌شوند و از این طریق عملکردها و خدمات مختلفی را ارائه می‌کنند. افزایش اتصال‌پذیری باعث افزایش حملات اینترنتی به وسایل نقلیه خودران گردیده است و درنتیجه، باعث آسیب‌پذیری این وسایل در برابر تهدیدات سایبری شده است. به‌دلیل ضعف و یا عدم وجود رویه‌های احراز هویت و رمزگذاری در شبکه‌های خودرو، استفاده از سیستم‌های تشخیص نفوذ یکی از روش‌های ضروری برای محافظت از سیستم خودروهای مدرن در برابر حملات سایبری است. در این مقاله، یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق با استفاده از تشخیص تصاویر برای سیستم‌های وسایل نقلیه پیشنهادشده است. همچنین، از تکنیک تبدیل بردار ویژگی‌ها به تصاویر برای بهینه‌سازی تشخیص استفاده شده‌است. سیستم تشخیص نفوذ پیشنهادی با استفاده از تکنیک یادگیری گروهی مبتنی بر میانگین بهینه‌شده‌است. در آزمایش‌ها، روش پیشنهادی بیش از 99.25 درصد نرخ تشخیص و به همین مقدار معیار f1 را در دو مجموعه داده امنیتی استاندارد شامل مجموعه داده‌های car-hacking و مجموعه داده cicids2017 نشان داده است. همچنین، زمان اجرای روش بر روی تجهیزات اینترنت اشیاء اندازه‌گیری شده‌است که نشان‌دهنده قابلیت اجرای روش پیشنهادی است.

network attacks detection in autonomous vehicles using deep nerul network

modern vehicles, including autonomous vehicles and connected vehicles, are increasingly connected to their external environment, thereby providing various functions and services. increasing connectivity has increased cyber attacks on self-driving vehicles and, as a result, has made these devices vulnerable to cyber threats. due to the weakness or absence of authentication and encryption procedures in car networks, the use of intrusion detection systems is one of the necessary methods to protect the modern car system against cyber attacks. in this paper, an intrusion detection system based on deep learning using image recognition for vehicle systems is proposed. also, the technique of converting feature vectors into images has been used to optimize detection. the proposed intrusion detection system is optimized using average-based ensemble learning technique. in experiments, the proposed method has shown more than 99.25% detection rate and the same amount of f1 criterion in two standard security datasets including car-hacking dataset and cicids2017 dataset. therefore, the proposed method is effective for detecting cyber attacks in vehicular networks. also, the execution time of the method has been measured on the internet of things equipment, which shows the feasibility of the proposed method.