基于CAN总线数据的车载网络入侵检测系统

摘要

提出了一种基于控制器局域网（CAN）总线数据的新型车载网络入侵检测方法——IncepNet方法。首先，选取一个真实的汽车黑客攻击数据集（Car-hacking dataset），对其进行数据预处理，使用图像处理方法将该数据集中的时间序列数据按照一定规则重新组织，转换为适合作为卷积神经网络输入的图片数据。其次，优化现有的残差网络（Inception-ResNet），并在其后添加了具有多批次归一化功能的长短期记忆神经网络（LSTM）层和丢弃层（Dropout）。最后，使用包括识别率、准确率、F₁分数（F₁-score）和误报次数（FAR）在内的混淆矩阵，证明本文模型具有卓越的准确性和可靠性。研究结果表明：本文模型具有低误报率、高检测准确率和高检测率，其效率明显优于以往基于其他机器学习的检测方法。

关键词

计算机技术 / 车联网 / 入侵检测 / 机器学习 / 神经网络 / 长短期记忆