智能网联汽车安全防护技术研究综述

A Review on Security and Defense Technologies for Intelligent Connected Vehicle

摘要

随着移动互联网和工业智能化的快速发展，以智能网联汽车为核心的下一代智能交通系统逐渐深入城市居民生活。然而，该前沿技术在为出行服务带来便利的同时，近年来也逐渐暴露出诸如远程恶意控制车辆、泄露车主个人信息等安全威胁。本文首先介绍智能网联汽车行业下的典型应用场景、调研当前行业中攻击案例。其次，将智能网联汽车安全防护方面划分为车联网安全和车载系统安全，针对以上两个层面存在的主要安全威胁进行分析和总结，并针对性地介绍了安全防护技术的研究现状。最后，本文对智能网联汽车安全防护技术的未来发展方向和研究重点进行了展望。

Abstract

With the rapid development of the mobile Internet and industrial intelligence, the Internet of Vehicles (IoVs) has gradually penetrated into the lives of urban residents. However, while bringing convenience to travel services, security threats have gradually been exposed in recent years. These threats include remote malicious control of vehicles, leakage of personal information of vehicle owners, etc. This paper first introduces the typical application scenarios of IoVs, and then investigates the current attack cases in the industry. Secondly, this paper divides the security protection of IoVs into inter-vehicle and intra-vehicle security, analyzes and summarizes the main security threats existing at these two levels. Next, the up-to-date research advance of security protection technologies is introduced. Finally, this paper unlocks the future development direction and research focus of the security protection technology for IoVs.

Graphical abstract

0　 引 言

随着全球汽车保有量的持续增长，推动智能网联汽车发展已成为全球政府共识，美国、日本等国家及欧洲均已发布了支持智能网联汽车发展的相关政策和规划。其中，美国交通运输部在《智能交通系统战略研究计划（2010—2014）》中，首次提出了“车联网”构想及其网络技术发展的详细规划和部署，随后陆续发布了《联邦自动驾驶汽车政策》《自动驾驶系统2.0：安全愿景》《自动驾驶汽车3.0：为未来出行做准备》等政策文件；2018年5月，欧盟委员会发布《通往自动化出行之路：欧盟未来出行战略》，提出了自动驾驶战略规划^[1]；日本于2014年启动自动驾驶战略创新促进项目，研究自动驾驶与未来智能社会的服务融合，发布了《自动驾驶相关制度整备大纲》《自动驾驶汽车安全技术指南》等规范自动驾驶的相关政策与法规^[2]；谷歌公司已大力推进无人驾驶技术的研究布局，发布了Android Auto平台，成立开放汽车联盟，成员包括本田、奥迪、现代和芯片商英伟达等主流产业链厂商^[3]。

国内方面，行业龙头互联网企业也逐步进军车联网市场。其中，百度于2016年发布了自动驾驶技术和百度大脑，并于2017年公布Apollo计划^[4]；阿里巴巴自2015年起，与上汽集团合作开发AliOS系统和斑马智行；2020年，阿里巴巴与一汽大众签署了战略合作协议，在人工智能、大数据分析、智能汽车操作系统和智能座舱等领域，建立战略合作关系^[5]；华为于2016年与奥迪、宝马和戴姆勒等集团合作推出5G汽车通信技术联盟，2018年于大数据平台发布了Ocean Connect车联网平台；2020年，华为发布了车规级智能驾驶计算平台、华为智能车云服务2.0、Harmony OS智能座舱解决方案^[6]。

尽管智能网联汽车行业目前已处于蓬勃发展阶段，但在技术、法规等方面仍存在相关问题，且安全风险事件仍有发生^[7]。因此，本文定义了车载网络和车联网安全防护框架，分别综述了这两方面可用性、完整性、机密性保护的最新研究成果，并对提出的网络安全保护机制进行了详细的分析。本文的主要贡献如下：

（1） 分析了网联汽车的应用场景，并从场景入手，定义了面向车联网和车载系统的网络安全防护框架；

（2） 全面综述了各种网络安全防护技术的最新成果，并分析了各种安全防护技术的优缺点；

（3） 分析了车载网络体系结构的未来发展趋势，并提出了一些可能的解决方案。

1　 智能网联汽车行业应用场景

1.1　驾驶场景

智能驾驶辅助系统利用各类传感器以及车联网系统，增强车辆对于交通环境的感知能力和信息收集能力，可提前获知周边车辆状态和道路状况，并为用户提供最佳的操作决策。常见的车辆驾驶操作如转弯、变道、紧急制动，都可由此系统辅助用户完成。当出现如限速、闯红灯、避让行人等异常情况时，智能驾驶辅助系统也可对用户预警，并提供操作建议或直接辅助操作。

1.1.1　车辆碰撞预警

车辆定期广播消息，包括其当前位置、速度、加速度和估计行驶轨迹等信息，使其他车辆可基于车联网中的广播消息，进行车道内判定和碰撞时间判定^[8]，从而判断是否需要采取应制动操作，其中最小安全距离和碰撞时间（time-to-collision,TTC）是常用的判断碰撞风险模型。车辆碰撞预警场景图如图1所示。

1.1.2　行人/非机动车避让预警

基于网联技术的行人/非机动车避让预警系统，可有效减少由机动车/非机动车驾驶员或行人注意力分散、视线受限、距离/速度估计错误等因素引起的交通事故，从而有效保障行人及驾驶员安全。行人或者电动车、自行车等非机动车，利用其拥有相关通信设备及路侧单元，周期性地公开广播其位置、行程和速度等信息。机动车根据收到的信息，可判断非机动车或者行人是否在其周围或者横穿马路，从而提前预警。行人/非机动车避让预警场景图如图2所示。

1.1.3　远程诊断

车辆通过车辆内的传感器收集诊断数据，诊断数据（或汽车维护记录）包括来自发动机和变速器系统、稳定性控制系统、安全气囊系统、尾气排放系统、轮胎压力检测系统、发动机和齿轮箱等设备的信息。当车辆经过路侧单元时，可通过路侧单元向远程维修站报告其诊断数据。维修站通过定期获取和分析来自车辆的数据，在确认车辆故障后，远程维修站自动消除故障，无法消除的故障会通知车主，向车主推荐周边服务网点并给出维护建议。远程诊断场景图如图3所示。

1.2　交通场景

交通场景中，智能网联汽车技术常用于构建智能交通系统，优化城市交通状况，可应用于车队管理、物流运输、紧急救援、停车管理等。

1.2.1　车队管理

网联化车队管理可实现车队间的信息交互，并按照一定秩序和规则，对多辆汽车进行编队，包括同步加速、减速、刹车、转弯等。车队内包括领航车辆和跟随车辆，基于网联化技术可实现车队内以及车队和行驶环境的实时信息交互，为领航车辆的行为决策提供信息基础，并及时发现危险情况，通知跟随车辆采取相应措施，以避免事故发生。车队管理场景图如图4所示。

1.2.2　交通流量优化

车辆通过路侧单元时，通过网联化技术获取区域性交通服务信息，包括天气状况、实时路况、突发事件、管制信息、服务设施等。车载智能决策系统基于交通服务信息与驾驶需求，向驾驶员推荐最优路径规划，避开拥挤区域，平衡各道路交通流量，从而提高车辆出行效率。同时，当有紧急车辆如救护车、消防车等的应急出行需求时，也可通过广播让行信息，使接收到让行信息的车辆进行统一让行，开辟先行绿色通道。交通流量优化应用场景图如图5所示。

1.3　商业场景

随着社会生活需求多样化，智能网联技术在商业场景中也有相关应用，如共享出行、影音娱乐服务、广告推销等。网联化车载平台能为用户提供车内各类音乐、视频、游戏等娱乐服务，以及购物、维修、导航等内容服务，创造出多样化的应用场景和基于业务的商业模式。

2　 智能网联汽车安全风险事件

2010年，美国得克萨斯州的汽车销售店员工因不满被解雇，登录该公司汽车管理账户，恶意操纵此前已销售的100多辆汽车，并使得这些车辆部分功能失效^[9]。

2013年，在DEFCON黑客大会上，美国研究人员利用电脑控制方向盘、刹车等车载设备，对福特和丰田公司的汽车进行破解演示^[9]。

2015年，美国DARPA研究中心发现，美国通用安吉星系列汽车的OnStart系统存在漏洞，导致黑客可以利用其远程操控汽车^[9]。

2018年，黑客对特斯拉Model S成功进行了远程入侵，实现包括远程控制车辆终端系统、利用漏洞随意开关车门等。此外，黑客还可向Model S发送“自杀”指令，导致车辆在正常行驶状态时，使系统引擎突然关闭^[10]。

2019年，360公司总结了智能网联汽车的十大安全事件，包括：基于通信模组的远程控制劫持攻击、基于生成式对抗网络（Generative Adversarial Network, GAN）的自动驾驶算法攻击、面向特斯拉汽车无钥匙进入与启动（Passive Keyless Entry and Start, PKES）系统的中继攻击威胁、面向特斯拉Model S/X系统的基于Wi-Fi协议的缓存区溢出漏洞、面向共享汽车的APP漏洞、针对基于激光雷达的自动驾驶系统欺骗攻击、Uber账号劫持漏洞、后装汽车防盗系统漏洞、丰田汽车服务器遭到入侵、宝马遭受APT攻击^[11]。

2021年，特斯拉承认在进行最新版本车辆测试时，其车内设置的广角摄像头可检测驾驶者目光，致使消费者在不知情情况下面临被监视风险^[12]。

2021年，国外社交媒体上陆续出现了用户反映自己无法通过APP打开车门的事件。经过多次尝试无果后，车主在APP上收到了“HTTP 500”的报错信息。随后，马斯克发布推特称，此次网络中断源于意外的“网络流量的增加”，服务器正在加紧重新上线^[13]。

2021年，Upstream发布的《2021年全球汽车网络安全报告》指出，10家一级供应商和汽车制造商开发的40多个ECU中发现了300多个安全漏洞。与汽车相关的CVE漏洞已超过110个，涉及51家汽车制造商^[14]。

2022年1月，年仅19岁的安全研究员科伦坡宣称，自己利用系统漏洞控制了世界多地的25辆特斯拉汽车。科伦坡表示，漏洞可使其远程访问特斯拉的多项功能，包括解锁门窗和启动无钥匙驾驶，甚至打开音响或按喇叭，还可查看汽车位置以及司机是否在场^[13]。

3　 智能网联汽车安全

根据上文所述应用场景，可将智能网联汽车安全问题划分为两个层面，分别为车联网安全和车载系统安全。具体分支图如图6所示。

3.1　车联网安全

根据智能网联汽车可能面临的威胁，将车联网的安全分为如图6所示的6个方面：车联网信息加密、车辆异常行为检测、车联网信任评估、车联网物理层安全、车联网安全认证和车联网隐私保护。

3.1.1　车联网信息加密

采用加密机制可保证数据的完整性和机密性，随着研究的深入，加密机制有了更加完善的拓展技术，主要包括图7所示的5个方面。

3.1.1.1 公钥加密

在车联网无线通信环境中，常见的信息交互模式分为：车-车、车-路和车-云三类。

其中，车辆在传输消息前，可利用接收者公钥对其进行加密，接收者在收到消息后，利用接收者私钥解密该密文，从而得到明文消息。1984年，密码学家Shamir^[15]为了简化证书管理工作，提出了基于身份的密码（identity-based cryptography,IBC）体制。与传统的加密算法不同，该方法不是同时生成一对公钥和私钥，而是假设存在可信密钥生成中心（key generation centre,KGC），由KGC生成私钥后发给用户。用户可选择自己的名字、网络地址等信息而不是随机生成的密码作为公钥，私钥由私钥生成中心（private key generator,PKG）等可信第三方计算生成，并在用户首次入网时发给用户。双方通信时，发送方只需知道接收方姓名或地址等个人信息，无须验证其公钥证书，就可对传输信息加密，从而大大降低了通信的时间和管理难度。然而，Shamir并没有给出具体的基于身份加密（identity-based encryption,IBE）的方案。2001年，Boneh和Franklin^[16]利用椭圆曲线上的Weil对，设计出了一项高效率的IBE方案。该方案基于双线性Diffie-Hellman困难问题，在面对自适应选择密文攻击时，也可满足密文的不可区分性。该方案成为了首个在随机预言模型下可证安全的IBE方案，它的提出也极大地推动了IBE方案的研究与设计。

3.1.1.2 广播加密

广播加密可以实现一对多通信，达到一个固定的RSU与多个移动车辆安全通信的目的。其主要利用RSU的私钥和多个车辆的身份信息生成密文，接收车辆使用自身的私钥对该密文进行解密。Du等^[17]于2005年提出用于密钥分发的基于身份特征广播加密方案。通过该方案，管理中心于网络中分发密钥，从而使得拥有特权的用户子集中的每个成员能够计算出指定密钥，进而使用诸如DES等传统私钥密码系统，用分发密钥来加密广播信息。Yang等^[18]通过双线性映射，将基于身份的公钥加密改进为基于身份的广播加密。该方案利用双线性映射，将一个授权用户的私钥存储和通信传输带宽设置为恒定大小，且与共谋者的数量无关。由于引入自我强化的保护策略^[19]，该方案降低了加密和解密的计算成本和传输大小。

3.1.1.3 代理重加密

为进一步提高系统中的数据共享效率，可引入代理服务器实现算法优化。其中，可信机构（trust authority,TA）将加密任务分配给车辆和代理服务器。处于分组中的车辆生成一个与新车辆身份相关的新中间密钥，并将中间密钥和广播加密密文一并发送至代理服务器。后续，代理服务器将广播加密密文转换为身份基密文，并将其发送给新车辆^[20]，从而减轻了TA的加密负担。这里，身份基加密具有轻量级特性，不需要管理繁琐的公钥证书^[16]，因此可选择其作为转换后的密文发送到新车辆。

3.1.1.4 属性基加密

属性基加密源自身份基加密，是对公钥密码的拓展和补充，可以实现细粒度的车辆消息传输，当消息发送方拥有特定条件的一组用户传输密文，但是却不知道对方身份时，可引入属性基加密。在该加密过程中，通信车辆根据自身属性集合生成密文或私钥，同时可在加密过程中引入访问控制策略以控制解密的相关权限。

属性基加密主要分为两类：基于密钥策略的属性加密机制（key-policy attribute-based encryption,KP-ABE）和基于密文策略的属性加密机制（ciphertext-policy attribute-based encryption,CP-ABE）。在大多数文献中，CP-ABE方案具有线性大小的解密密钥，而文献[21]提出了具有恒定大小密钥的解决方案。此外，CP-ABE还可为用户提供隐私保护。在CP-ABE中，数据所有者只需要定义哪一类型用户可以解密其密文，而无须识别特定的用户。同时，解密用户可在不知道密文加密者的情况下，访问授权密文。

3.1.1.5 签密

Zheng等^[22]引入了一项称为签密的密码原语，特指在一个逻辑步骤中同时签名和加密，从而降低了传统的“先签名、后加密”的计算开销。Wu等^[23]提出了基于离散对数的可转换多重认证加密方案。为解决传统基础设施方案中存在的证书管理问题，文献[24]利用椭圆曲线上的配对机制，提出了一项基于身份的方案，该方案使用用户身份特征作为公钥，避免了证书的存储开销。Li等^[25]提出了两项适用于异构系统的签密方案，可同时实现在公钥基础设施（public key infrastructure,PKI）系统和基于身份的密码（identity-based cryptography,IBC）系统上消息的双向传输。车联网中利用签密机制进行信息传输，能够保证消息的完整性、机密性和真实性，同时可缩短信息加密时间。

3.1.2　车联网异常行为检测

车联网主要依托物联网技术并应用于汽车与交通行业中，极大地提高了交通通行效率并减少了事故发生率。在车联网中，典型的恶意异常行为，诸如在网络内传播海量数据包或虚假数据包，或将影响整个网络性能或消息可靠性，轻者可造成交通堵塞，严重则会因为虚假数据而导致决策失误或交通事故。

针对节点（即单个车辆）异常行为的检测机制，可按照作用域划分为：本地检测和协作检测两类。

（1） 本地检测主要包括检查消息一致性、合理性和真实性。文献[26]将车辆本地感知的交通流量和邻居车辆感知的交通流量进行比较，基于相同交通条件下交通流量一致性假设，从而检测虚假消息。文献[27]基于卡尔曼滤波器对车辆下一时刻位置进行预测，如车辆移动范围匹配其速度则视为合理。文献[28]基于公钥密码体系，提出了适用于车联网的匿名身份验证方案，在保护节点隐私同时，可有效验证节点身份，并防御伪造身份攻击等攻击行径。此外，文献[29]基于接收信号强度指示器（received signal strength indicator,RSSI）的特点，针对性地提出了时间序列的相似性度量和时间序列的变更点检测以检测Sybil攻击。

（2） 协作检测主要依赖于车辆之间的协作，同时还可依赖于路侧单元（road side unit,RSU）。上述检测机制通常基于一致性和信任，主要依赖于诚实多数，并在参与者之间交换消息以检测不一致或不可信的参与者。文献[30]基于证书签名，评估消息创建者和转发者的行为以生成观察证据，信任中心通过收集分布式节点的观察证据，基于观察证据的一致性以识别网络中恶意节点。

检测机制还可以分为以节点（单个车辆）为中心和以数据为中心的两类机制^[31]。

（1） 以节点为中心的机制通过分析网络参与者的交互数据包和消息模式，以验证节点行为。例如，可通过分析数据包频率、正确格式化消息等确定节点可信度，从而验证节点转发行为；或者，也可专注于参与者之间的交互行为观测，根据节点间历史交互消息的正确性来验证其可信度。文献[32]中，每个节点监视网络以确保邻居正确转发其规定转发消息，通过分析邻居消息交互行为（例如转发，丢弃消息）以检测异常行为。

（2） 以数据为中心的机制依靠消息内容来确定其有效性，与消息发送方无关。此类机制通常验证消息内容的一致性、合理性和真实性，与本地检测分类中的方法重合较多。

3.1.3　车联网信任评估

由于车联网的高移动性和异构性，相邻车辆通常彼此陌生、且不能完全信任彼此。例如，当发生交通事故或交通拥堵时，恶意车辆或将广播一条声称道路畅通的消息。此类不当行为将极大地危害交通安全或运输系统效率。

解决车联网中安全问题，其关键步骤主要涉及建立有效的信任管理机制。在针对接收信息采取任何措施之前，首先应判断消息发送者是否可信、检查信息内容是否可信。

在文献[33]中，Blaze等提出了信任的明确定义与分类方法，并且采用了概率分布的方法估计预期信任。随后，国内外的许多研究者开始采用各种不同的信任评估方法，针对多种多样的网络环境（包括P2P网络、社交网络、Ad-Hoc网络等），建立了信任模型。其中，较为著名的模型有：EigenTrust，PowerTrust，PeerTrust，TrustGuard等。

Li等^[34]提出了一项抗攻击的车联网信任管理方案（attack-resistant trust,ART），可以有效地抵御虚假反馈攻击以及开关攻击。首先，该方案使用D-S证据理论，对数据开展信任评估，随后从推荐信任度和功能完成度两个方面对节点进行信任评估，最后通过推荐系统中的协同过滤算法得出节点的推荐信任值。

Lin等^[35]将社会关系因素引入车联网，提出“车载社交网络”（vehicles social Networks，VSNs）的概念，该方案主要考虑三类社会信任关系，即：直接邻居信任、间接邻居信任和朋友信任，并采用加权平均方式计算全局信任。

Xiao等^[36]将原本用于网页排序的PageRank算法修改后，应用到车联网信任评估模型中，并基于局部信任建立了相对稳定的、与动态网络拓扑结构相独立的局部信任链接图。随后根据该局部信任链接图迭代地计算出节点的全局信任值。

Barka等^[37]利用区块链技术提升信任评估方法的安全性和隐私级别。所提出的方法在抵御虚假信息攻击方面有较好效果。其中，区块链技术中的工作量证明（Proof-of-Work）机制和权益证明（Proof-of-Stack）机制被结合起来，以降低通信时延和计算成本。

尽管最近许多新颖的信任评估方法被相继提出，但目前的车联网信任管理机制研究在应用场景等方面仍存在诸多欠缺与有待完善之处。例如，许多信任评估算法仍需要车联网的大量数据支持，并且严重依赖于专家的知识和经验；部分车联网信任评估模型无法抵抗特定的威胁，尤其是共谋威胁；而且，在一般的信任评估流程中，车联网的社交属性往往被忽略。

3.1.4　车联网物理层安全

物理层安全领域采用信息和编码理论的概念，以保证电信号系统的可靠性和安全性。该思想主要基于无线窃听信道模型^[38]开发。一个典型的例子如下：发射机A在窃听者E在场的情况下，向接收机B发送一条k位消息。A和B就信号和/或编码技术达成了先验一致，物理层安全技术利用嘈杂通信信道的特性来排除E的安全性，同时仍然保持A与B间的可靠数据传输。

目前，对于车联网安全的研究大多聚焦于信息传输加密、通信密钥设计等领域。与传统的安全机制不同，物理层安全机制并不受加密算法复杂性的影响。在相干时间内，物理层无线衰落信道具有互易性（上下行链路传输信号所经历的信道衰落相同）、唯一性（在某时刻，通信双方的位置固定，且通信信道保持唯一）、信道时变性（在运动中进行通信时，接收信号的频率发生变化）、不可预知性（通信时延、到达时间不可预测）等天然特性。利用这些特点，物理层安全机制能够有效地识别车辆身份并加以区分。

文献[39]的研究聚焦于当前无线通信的认证方法计算开销大、计算复杂度高等问题，针对性地提出了一项物理层安全认证（physical layer security authentication,PLSA）方法。首先，该方法利用通信信道的互易性和唯一性，量化信道响应从而获得高度关联的信道特征序列；随后基于信道编码理论提出安全认证编码，使得通信双方正确编解码而攻击者难以识别码字；最后，由此构建不需要密码算法加密的物理层安全认证架构。

文献[40]在不考虑攻击者运算能力的条件下，基于新型的哈希函数族和低密度奇偶校验（low-density parity-check,LDPC）码，提出了一项新颖的无线网络物理层消息认证方法，并保证其具有完美安全性。首先发送方基于轻量的ϵ-A{U}_{\mathrm{2}}哈希函数生成密钥K，使用密钥K和消息M生成标记消息T；然后发送方用大围长LDPC码的对偶码将标记消息T编码为码字X；最终，发送方将消息\left(M,X\right)发送给接收方。

文献[41]系统性地分析了物理层认证技术的现状，从提升其安全性和降低运算开销的角度出发，提出了高效的物理层认证方案。该方案从信号路由、信号认证和信道估计3方面对现有的方法进行了安全增强。第一，利用信道互易性、特异性和唯一性提取出物理层密钥，并在其上标记与位置相关的位置戳，以抵御多种身份认证攻击，其中包括中间人的恶意中继攻击；第二，利用通用的Gold序列扩展信道特征值，生成标签信号，将其与通信发送信号相叠加并同步发送，有效防止了标签信号在传输过程中被鉴别。在典型信噪比的传输环境中，接收方识别并解码该标签信号，有效提升了信令认证中的传输速率，同时降低了误比特率和虚警率；最后，将传统的公开导频信号私密化，基于假设检验方法识别导频的发送端。同时，给出了产生和更新私密导频的一般流程。

文献[42]研究了无线传感器网络（wireless sensor Networks,WSN）中加密认证技术的缺陷，给出了单节点和多汇聚节点WSN的认证方法。在信道相干时间内，基于信道估计的方法，记录并保存第二次通信中的信道状态信息，并将其与初次合法的信道特征进行比对。随后建立二元假设检验，采用奈曼-皮尔森准则判断发送方的合法性，如果判定为不合法，则不接受调解，而是接收下一条消息。

文献[43]在E2E物联网中提出了一项物理层认证增强技术。该工作中，在源节点和目标节点之间，生成唯一的物理层身份标识（physical-layer identity,PHY-ID），并运用在跨层身份验证和基于PHY-IBC的密钥保护中。

文献[44]探讨了时变信道的特征，给出了专用于时变无线信道的物理层认证方案。传统的基于最小二乘法（least square,LS）的物理层认证仅仅利用无线信道响应中的时间和空间唯一性，而没有考虑可分离路径的各个采样值之间的相关性，导致对时变信道特征的跟踪不准确。该方案提出了一项基扩展模型（basis expansion model,BEM）方法检测信道，利用不同的相互正交的基函数和恒定的基系数进行身份认证。

3.1.5　车联网安全认证

车联网安全认证主要分为4个方面，具体分类如图8所示。

根据应用场景的不同，可以将网联汽车的认证协议分为匿名认证、群组认证、跨域认证和基于区块链认证。

（1） 匿名认证

匿名认证可以保护节点身份的隐私性，实现节点的匿名接入。He等^[45]基于第4代长期演进（the 4^th generation long term evolution,4G-LTE）蜂窝网络提出一项支持双向认证和条件隐私保护的匿名认证方案，该方案是基于Schnorr签名首次提出的无双线性对运算的身份基加密。Xu等^[46]提出一项基于LTE-A（LTE-Advanced）的椭圆曲线匿名漫游认证方案，该方案简化了会话密钥生成过程，实现安全高效信息交互。同时，可防止攻击者根据车载单元与目标节点间发送的信息追踪车辆地理位置，并用安全协议和应用程序的自动验证（automated validation of internet security protocols and applications,AVISPA），对方案进行自动形式化分析。

Rahnama等^[47]为无线传感网络提出了轻量化和匿名的认证协议，通过网络接口使用哈希函数和异或操作实现传感器之间的低通信负载，防止攻击者伪装为网关访问传感器数据。由于智能网联汽车包含大量敏感数据极易成为攻击者的主要目标，为保护网络安全和提高匿名认证的可扩展性和高效性，Zhang等^[48]提出了一项无须预加载系统私钥的匿名批量认证方案，其中信任机构只需释放两个哈希种子就能实现节点身份的快速撤销。

（2） 群组认证

Kim等^[49]采用动态群签名为车辆和基础设施提供高效的批验证方案，该方案利用签名随机证明机制生成群签名，基于Pointcheval-Sanders假设，在可追溯性证明的模拟联合协议中消除了知识提取器。Lai等^[50]提出一项适用于车联网的安全群组架构，通过车辆分组聚类提高数据传输性能，该架构包含固定可信节点和动态不可信节点两类场景。

（3） 跨域认证

由于网联汽车频繁跨域行驶，为确保处于不同位置可以访问任意服务器资源，需通过跨域认证实现与其他区域车辆的安全通信。跨域认证利用经过区域的认证信息，快速确定当前区域的车辆是否合法。Xu等^[51]利用共享密钥、数据聚合和代理签名，实现了LTE-V（LTE-V2X）通信中的高效跨域认证，该方案在车流密度较大场景下优势突出，Li等^[52]利用分发凭证实现跨域认证，结合智能卡和口令提高认证协议安全性。整个过程只需中心服务器在注册阶段参与，有效解决了公钥证书的存储与管理问题。

（4） 基于区块链认证

为了解决传统公钥基础设施认证存在的单点崩溃问题，Jiang等^[53]提出一项基于区块链证书颁发的信任架构，并利用私有信息检索的思想，使设备存储容量受限的设备可正常运行，同时通过减少签名和验证次数提高认证效率。

在分布式网络环境下，为防止未授权用户随意访问数据资源、并满足合法用户安全高效访问不同域资源的需求，Wang等^[54]在公钥加密基础上采用区块链技术，构建基于根证书颁布机构的网络模型，通过核对区块链中存储的授权证书的哈希值和用户提供的证书哈希值是否一致，确定身份合法性。

Gabay等^[55]利用令牌实现智能网联电动汽车充电服务的身份认证功能，其中电动汽车生成秘密函数，并将其与验证密钥一并发送给电动汽车，后期利用证明密钥和求解秘密函数表明已知秘密函数。这里，区块链中的智能合约和零知识证明则被用来调度能源、支付费用和保护电动汽车的身份隐私。

3.1.6　车联网隐私保护

车联网隐私保护分为身份隐私保护、位置隐私保护和基于区块链技术的隐私保护，具体分类如图9所示。

3.1.6.1 身份隐私保护

匿名凭证作为保护身份隐私的常用手段，是指在注册过程中，服务提供商为每个用户分配一个匿名凭证，并在服务访问过程中证明该凭证所有权的有效性。其中，匿名凭证可以使用盲签名、群签名或假名。

Sun等^[56]结合盲签名和秘密共享设计了一项隐私保护方案，该方案采用无需证书认证的身份密码系统。同时，他们还提出基于阈值的身份认证方案，即只要恶意行为发生的次数小于预设阈值，则可以容忍恶意行为。这里，群签名允许群成员代表群匿名生成消息签名，即一个实体代表群组生成带有其密钥的签名，其他实体则可以使用群组的公钥验证签名。在发生争议时，群组管理者可透露原始签名所对应节点身份。目前，群签名已被应用于智能停车、电动汽车充电及交通数据共享等领域。

Xu等^[57]提出基于模糊系统的群签名的安全认证协议，群管理员可为群成员生成假名，并聚合群成员的签名以高效验证消息的一致性，通过降低车辆向网络发送数据报文的数量，从根本上缓解网络拥塞。IEEE 1609.2-2013和3GPP TS 33.501推荐车辆使用假名进行通信，假名可由网联汽车、服务提供商或信任机构（Trusted Authority, TA）提供。Park等^[58]提出了一种基于假名的匿名身份基加密方案，防止第三方服务供应商追踪车辆的身份信息。

3.1.6.2 位置隐私保护

在基于位置的服务中，差分隐私^[59]是实现位置隐私的有效途径，主要通过生成数学噪声并将其添加到个人记录样本，防止数据发布过程中的个人位置隐私泄露。目前，拉普拉斯噪声和指数噪声是确保统计位置和真实位置偏差较小的常用方法。

Zhou等^[60]提出了一种差分隐私保护服务框架，包括基于位置的差分隐私保护机制和隐私级别调整模块。该方案在不暴露位置隐私的基础上，通过动态调节隐私级别，确保隐私安全和服务质量的均衡。

Gruteser等^[61]首次提出了简单高效的空间隐匿方案，为每辆汽车形成包含k个真实用户的隐匿区域，使攻击者难以根据隐匿区域确定用户位置及运行轨迹。具体而言，该方案引入k-匿名，将每个较大隐匿区域划分为4个小区域，并计算每个小区域内的用户数量。如果用户数量大于k，则继续划分小区域为更小区域，直至当前区域的用户数量少于k。

其次，时间混淆技术^[62]可被用来防止汽车的起始位置、目的地或方向泄露。例如，若车辆未到达位置\mathrm{l}\mathrm{o}{\mathrm{c}}_{\mathrm{1}}，但\mathrm{l}\mathrm{o}{\mathrm{c}}_{\mathrm{1}}是距离车辆的最近位置，则车辆可使用\mathrm{l}\mathrm{o}{\mathrm{c}}_{\mathrm{1}}发送信息；若车辆位于轨迹中的任一位置标识\mathrm{l}\mathrm{o}{\mathrm{c}}_i，则车辆可使用其他位置标识发送信息。这里，车辆节点将不按照信息发布的时间顺序发送信息，而是随机生成每条信息的发布时间以降低重构节点的运行轨迹概率。

3.1.6.3 基于区块链的隐私保护

为保护智能网联电动汽车充/放电位置、时间、电量等隐私信息，Baza等^[63]提出了公共前缀可链接匿名认证方案，在该方案中，用户可以匿名验证消息并证明其证书的有效性，而无须被识别。Chen等^[64]提出一项基于深度学习、区块链和全同态加密的隐私保护方案，为网联汽车和边缘设备构建了安全可信的通信环境。同时，针对现有车联网认证方案仅考虑单一区域的有限性，Yang等^[65]提出了多区域认证体系，引入区块链实现区域间的分布式信任和跨域数据共享，并设计了完整的身份管理流程。

3.2　车载系统安全

车联网服务平台一般基于云计算技术，因此云计算本身的安全问题也将于车联网平台发生隐患。由于车与车联网服务平台实现车载信息交互系统、C-V2X车载通信设备等车内设施与外部设施间的频繁通信，车联网安全更加需要确保消息的可信性和机密性。与车联网安全防护相比，车载系统由于其总线缺乏安全保护机制，车内消息通信更需要完整传输且防篡改，因此其防护技术更多倾向于真实性和完整性。

3.2.1　网络脆弱性分析

车载网络的架构由电子控制单元（electronic control unit, ECU）、网关或域控制器、车载网络（例如CAN和FlexRay）以及连接汽车与周围环境的外部网络接口（如Wi-Fi、蓝牙、V2X）组成。因此，如图10所示，车载网络的安全保护框架可以从内到外分为四层，即ECU层、车载网络层、网关或域控制器层以及外部通信接口层。

第一层：ECU级别的网络安全。ECU是实现电子功能的物理平台，它连接着传感器和执行器。不同种类的软件，如操作系统、网络驱动程序和应用程序都在ECU内部执行，生成的数据和日志也保存在ECU内部。因此，ECU级别的网络安全可以进一步分为硬件安全、操作系统安全、应用安全和数据安全。

第二层：车载网络级的网络安全。ECU之间基于车载网络进行通信，因此如果一个ECU被攻击者破解和操纵，它就可以利用车载网络的漏洞发起各种攻击（如重放攻击、伪装攻击和拒绝服务攻击）。因此，需要采用身份认证、数据加解密、防火墙等安全保护机制来保护车载网络的安全。

第三层：网关或域控制器级别的网络安全。网关和域控制器是实现不同子系统之间通信和隔离的关键部件。首先，网关和域控制器是每个子系统中一个特殊的ECU节点，网关和域控制器也要考虑ECU级的安全保护。其次，不同的子系统有不同的安全需求，因此应该在网关和域控制器中集成防火墙和入侵检测系统等安全保护机制，实现不同子系统之间的隔离。

第四层：对外通信层面的网络安全。在车联网时代，汽车正从物理实体进化为数字实体，成为智慧城市中的物联网节点，通过Wi-Fi、蓝牙、V2X技术与周围环境（如路边单元、司机、其他汽车）互联。因此，应该采用身份认证、数字签名和防火墙技术来保证汽车能够安全地与外部环境交互。

而按照攻击接口是否为远程接入，车载网络安全又可以分为本地威胁和远程威胁。

本地威胁：攻击者以物理手段连接至车辆物理端口实施攻击。一般地，攻击者接入车载自诊断系统（on-board diagnostic,OBD），通过车内组件已知漏洞进行攻击，这类组件包括控制器域网（controller area network,CAN）、ECU等。常见的本地威胁如下：

OBD攻击：OBD端口用于将汽车实时监测到的发动机电控系统及其他功能模块的工作状况，如车辆出现的故障码（diagnostic trouble codes,DTC）等数据存储在系统存储器，并于特定时间传达给外界。攻击者可在ECU与不同实体间的交换密钥中注入消息，实施阻塞信号和/或窃听。这里，无线OBD-Ⅱ加密狗可用作无线接入点，与攻击者在无线网络的范围内能够与目标加密狗建立连接，该距离通常可达100米。

恶意软件攻击：恶意软件利用车载网络子系统和组件中的已知漏洞进行攻击，这类漏洞包括ECU的软件更新包及车辆操作系统中的漏洞，任何通信接口都可能是恶意软件的潜在入口点。这包括OBD端口，远程ECU固件和软件更新（即空中下载更新）系统，可移动媒体端口和嵌入式Web浏览器。

CAN安全威胁：由于CAN总线上消息可被总线上任意节点读取，如攻击者使用最高优先级发送数据，则其他ECU将无法占用总线。此外，攻击节点还可形成恶意的错误帧消息，从而达到欺骗ECU的目的。

远程威胁：主要通过无线设备进行攻击，例如蜂窝网络、蓝牙、Wi-Fi、远程无钥匙进入（remote keyless entry,RKE），射频识别系统（radio frequency identification,RFID）和胎压监测系统（tire pressure monitoring system,TPMS）。常见的远程威胁如下：

IEEE 802.11p：由于802.11-OCB以片上总线（on-chip bus,OCB）模式运行，而无须提供任何密码保护，因此，攻击者可在车辆或IP-RSU范围内窃听或修改流量。

蜂窝网络：此类攻击将相关系统暴露于基于IP的攻击范围中，常见攻击方式包括：虚假信息注入，窃听攻击，欺骗，DDoS攻击等。因此，身份验证和信任记录的管理对蜂窝通信提出了严峻挑战，使安全性和网络性能面临风险。

蓝牙：最新版蓝牙技术的安全问题存在于：身份验证请求、密钥、用户认证、端到端的安全性、可发现性和缺乏审核及不可否认性^[66]。

全球导航卫星系统（global navigation satellite system,GNSS）：GNSS漏洞可分为三类，包括：与系统相关的漏洞，与传播信道相关的漏洞及与干扰（无意或有意）相关的漏洞^[67]。

3.2.2　车载系统安全防护体系

车内网络的安全防护包括如图6所示的5个方面，分别为：车内加解密、车载防火墙、车载入侵防护系统、车载安全审计、车内网络安全认证。

3.2.2.1 车内加解密

车内网络结构主要包括：网关ECU、CAN和不同子网中的ECU。不同网络流量的性质使得CAN网络一般分为多个不同子网。每个子网都存在相应的ECU，但各个ECU间的消息主要以明文形式传输，攻击者可通过不可信的传输信道破坏传输信息。因此，加密机制举足轻重，通过采用加密技术对重要的车辆明文数据信息进行保护，从而保证车内数据传输的完整性和机密性，避免常见的数据泄露问题。

由于对称加密方法可以使用比非对称方法小得多的密钥来实现相同级别的安全性，并且可以在软件和硬件中高效地实现^[68]，因此它们被用于车载网络的消息加密。

Woo等^[69]提出了改进型AES-32轻量级加密算法，同时对比了不同数量ECU的运行时间。Yoshikawa等^[70]针对现有CAN总线网络易受木马攻击问题，提出了轻量级加密算法，并在防止重放攻击方面给出了新的定义。Zhu等^[71]提出了基于AES-CCM算法的安全CAN总线通信方案，确保车内总线的传输安全。

Jiang等^[72]提出了一种基于迭代分组密码的AES，用于车载网络的加密保护。 他们建立了一个基于约束逻辑编程的优化问题，该问题考虑了安全性和可调度性约束，目标是最小化需要添加到系统中进行加密和解密操作的FPGA单元的数量。Aminifar等^[73]还提出使用基于迭代分组密码的对称加密方法（RC5/RC6）对车载网络进行加密，他们制定了机密性保护和资源开销量之间的权衡问题，并提出了最大化机密性的启发式方法，同时保证实时应用的可调度性。

Munir和Koushanfar^[74]使用线控转向应用案例研究来考虑安全可靠CAN的集成设计，其中AES用于机密性保护，哈希运算消息认证码（Hash-based Message Authentication Code, HMAC）用于完整性和身份验证保护。

与车联网信息加密相比，对于车载网络的安全保护，加密受到的关注相对较少，因为消息发送者和消息接收者都需要分别进行消息加密和解密。即使对于单向的消息传输（如诊断信息和日志），以及不同级别安全要求的ECU之间的消息传输，也要求消息接收者能够进行消息解密，这将导致过多的计算和时序开销以及硬件成本。

3.2.2.2 车载防火墙

防火墙模块针对各安全区域之间的所有可能通信通路进行可靠性管理，根据事件对网络流量进行监控，并根据既定安全策略（如白名单）控制允许指令请求的通行。

数据包过滤防火墙 防火墙获取并分析数据包中的源地址、目的地址等信息，进而采取相应的处理措施。车载网络中，该防火墙计算速度快，运算成本低，其工作过程如图11所示。

应用代理防火墙 该防火墙彻底隔离了内外网的直接通信，当内部网络有对外通信需求时，必须经由防火墙访问外网，再经由防火墙转发至内网，即通信是基于应用层的代理软件实现。

状态检测防火墙 与包过滤防火墙不同，状态检测防火墙更注重传输层控制能力，重点在于建立状态连接表跟踪每一个进出网络的会话状态信息。针对TCP，防火墙会对TCP头信息进行解析，用于判别是首次连接还是已建立通信，因此不仅能减少数据包穿过防火墙的时间，而且可以有效检测出DoS攻击。

Luo和Hu^[75]基于威胁分析定义了网关的安全需求，采用基于消息过滤器的防火墙用于隔离不可信网络域和可信网络域，实现了用于密钥分发和更新的密钥主函数。车内通信使用了基于密钥相关的HMAC的身份认证和AES加密。Pesé等^[76]提出了一项汽车防火墙的软硬件协同设计方法，采用基于白名单的策略和基于状态监控的策略来实现包过滤。防火墙的硬件和软件实现分别基于Aurix TC297-TF和Altera Cyclone V FPGA。Rizvi等^[77]提出了汽车防火墙的分布式实现，其中恶意消息过滤功能放置在每个ECU上。Seifert等^[78]建议使用层次时间自动机来描述内部通信行为，并在此基础上实现了一个基于通信行为规范的安全网关。

3.2.2.3 车载入侵防护系统

入侵防护系统包括入侵防御系统（intrusion prevention system,IPS）和入侵检测系统（intrusion detection system,IDS）。

访问控制、加解密技术等信息安全技术属于被动防御手段，通常被称为静态IPS，即在车辆分析和设计阶段，引入固定的安全机制，此类安全机制在实际运行过程中并不做调整。静态防御技术特点在于：安全策略相对固定，并不会根据车辆在实际运行过程中遇到的攻击行为进行针对性安全防护。

除此之外，IDS在汽车安全防护领域应用广泛。IDS是一种能够在不影响网络性能的前提下，对网络流量进行监控的主动防护手段。基于IDS在系统中的使用方式，入侵检测技术主要分为：基于异常、基于签名、基于规范和基于混合共四类方法。其中，基于异常的IDS是车载系统中最常用的检测策略^[79]。

基于异常IDS 将实时系统的活动与正常行为库进行比较。经过训练后，当其检测结果与常规行为的偏差达到阈值时，可有效检测并定位威胁。然而，其对典型规则的任何改变都被视为入侵的证据，严谨性有待提高。

基于签名IDS 使用已知签名集合，通过在IDS数据库模块中查找危险事件或规则识别攻击。此类方法易于使用，且可增加针对已知威胁的检测。然而，由于该方法严重依赖于攻击特征数据库，无法检测未知攻击。

基于规范IDS Miller和Valasek^[80]的研究发现，典型的CAN总线通信是可预测的，各个ECU以预定义的时间间隔在CAN总线上发送数据包。根据他们观察到的ECU之间通信的规律性，我们能通过已知的CAN数据包序列偏差检测异常。

基于混合IDS 基于混合的IDS也称为分布式入侵检测系统（distributed intrusion detection system,DIDS），通过将多种IDS技术（例如，基于网络的IDS和基于主机的IDS）结合在互联系统中，所有这些技术都由中央IDS服务器监控^[81]。基于混合的异常检测考虑CAN ID字段、CAN数据有效载荷、CAN规范、CAN定时间隔和频率^[82]。另外，基于IDS的检测级别，入侵检测技术还可以分为基于指纹IDS（总线级）、基于参数监控IDS（消息级别）、基于信息论IDS（数据流级别）和基于人工学习IDS（功能级别）。

基于指纹IDS 每个ECU都有一个独特的石英晶体时钟，任何两个时钟的时钟频率都有微小的差异，这被定义为时钟偏差。时钟偏差可用于识别恶意ECU发起的攻击。Cho和Shin^[83]使用周期性接收消息的时间戳来获取每个ECU的时钟偏差，并假设具有相同偏差的消息是从同一个ECU发送的。基于时钟偏差的IDS的优点是它不需要硬件支持或软件修改，而这种方法的缺点是它只能用于周期性接收的消息。但是消息调度、排队和仲裁延迟会导致消息周期的偏差，从而使基于时钟偏移的IDS不稳定。电压特性也用于ECU的指纹识别。Ning等^[84]提出了一种基于局部异常因子的IDS，它利用电压的波形特征进行ECU识别，该方法可用于检测欺骗攻击和总线关闭攻击。Choi等^[85]还提供了一种基于电压特性的IDS，该方法使用了增量学习，从而对环境因素具有鲁棒性。Sagong等^[86]探索了基于电压的IDS的攻击面，他们通过断开攻击者ECU与CAN网络的连接，给出了三种基于电压的攻击和一个基于硬件的入侵响应系统。此外，Wang等^[87]提出了一种基于ECU在CAN网络中的物理位置的IDS，以帮助识别恶意ECU，这是通过监测CAN控制器显性到隐性转换之间的唯一延迟差异实现的。

基于参数监控IDS 大多数消息在CAN总线上是周期性发送的，因此可以通过监控消息间隔（消息周期）来实现IDS。Ying等^[88]提出了一种通过集中监控节点的基于隐蔽通道的ECU识别方法，其中基于到达间隔时间的隐蔽通道可用于周期性传输的消息，而基于最低有效位的隐蔽通道可用于非周期传输的消息。Taylor等^[79]给出了一个IDS，用于测量滑动窗口上的消息间隔时间，并将平均时间与历史平均值进行比较以产生异常警报。Salem等^[89]使用到达间隔曲线通过提供到达间隔发生的上限和下限来分析消息的轨迹，并为IDS进一步提供了检测这些界限内偏差的分类框架。Song等^[90]和Moore等^[91]都提出了基于消息间隔的IDS并评估不同类型的消息注入攻击如何影响CAN消息的时间间隔。

基于信息论IDS 熵用于表示系统的随机性，一些研究使用熵评估CAN流量是否正常。这是因为该消息的周期、消息的长度和消息的有效载荷在设计阶段就已经确定了，因此车载网络的流量相对受限。如果对车载网络发起安全攻击（如伪装攻击、重放攻击、注入攻击），则会增加其熵。给定数据集X的一组类C_x，其中每个数据项属于一个类x\in C_x，X相对于C_x的熵定义如下^[92]：

H\left(X\right)=\sum _{x\in C_x}P\left(x\right)\mathrm{l}\mathrm{o}\mathrm{g}\frac{\mathrm{1}}{P\left(x\right)}（1）

其中，P\left(x\right)表示数据项x在类C_x中出现的频率。

Müter和Asaj^[92]首先介绍了CAN网络IDS的熵，但他们只考虑了一类CAN流量，并且只评估了一个全0消息的简单攻击场景。随后，Marchetti等^[93]提出了另一种基于熵的IDS，它以可变速率考虑不同种类的伪造CAN消息，并且该方法基于在真实驾驶条件下从未经修改的许可车辆收集的真实CAN流量进行评估。Wu等^[94]建议使用滑动窗口策略来避免不同波特率和非周期性CAN报文引起的信息熵干扰，并使用基于模拟退火的启发式算法为基于熵的IDS选择最佳滑动窗口参数。

基于人工学习IDS 人工智能算法在图像处理、语音识别等方面显示出了其有效性。这种方法最近也被引入实现车载网络的IDS。该方法的基本原理是先训练人工智能模型获取正常CAN报文的特征，然后通过监控车载网络的报文并将其与人工智能模型提取的特征进行比较，来区分正常报文和异常报文。

Kang等^[95]使用深度神经网络训练高维CAN报文，分析普通报文和攻击报文的底层统计特性提取相应特征，并通过监控CAN总线上的交换报文来判断CAN系统是否受到攻击。Jichici等^[96]评估了在汽车级嵌入式平台上集成基于神经网络的IDS的可能性，实验结果表明，由于该IDS对内存大小和计算能力的要求很高，这项任务非常具有挑战性。Pawelec等^[97]测试了使用深度神经网络（deep neural network,DNN）在位级别预测CAN消息的有效性，该方法能避免对CAN消息的专有编码的逆向工程。Kuwahara等^[98]研究了统计异常检测方法对识别恶意CAN报文的适用性，提出了一种管道技术来快速提取每条报文中的时间戳和ID信息，并在真实报文数据集中进行了监督和非监督学习。

除了神经网络之外，还有其他人工智能算法得到了良好应用，如长短期记忆网络（long short-term memory,LSTM）^[99]、贝叶斯网络^[100]、隐马尔可夫模型^[101]、支持向量机（support vector machine,SVM）^[102]、复合分类器^[103]和奇异谱分析（singular spectrum analysis）^[104]，以构建CAN总线的IDS。

3.2.2.4 车载安全审计

车载终端可记录用户的全部访问日志，便于安全员审计和监管。审计对象的行为被完整地记录在审计日志中，一旦发现其中存在异常便立刻启动对应的处理程序。Checkoway等^[67]讨论了车载诊断系统、娱乐系统等存在的安全漏洞，并通过实验验证了以上多种情况下的潜在攻击可行性，当发现有异常或攻击事件的时候，审计系统就会启动相应的处理程序。

国内外研究人员结合其他学科知识提出了许多的安全理论和方法。其中诸多方法都可合理地运用到安全审计领域，具体如下：

基于数理统计的安全审计 通过对运行状态参数分析和归纳，得出其在系统正常工作时的变化幅度^[105]，并联系相关理论为每个指标设置阈值。随后，在系统运行过程中，审计这些参数。如果某参数超过阈值并满足预定义的攻击判定条件，则将其视为攻击。

基于特征匹配的安全审计 该方法对攻击参数进行同类归纳、特殊总结，提取攻击特征进而构建攻击特征模型库。

基于预测感知的安全审计 如果某事件目前已经发生，那么在将来，多个与之相关的事件将以极大的概率出现。利用事件时序性，对用户行为归纳推理形成时序规律，构建用户正常行为模型。其缺点是，训练模型需要大量数据支撑。

3.2.2.5 车内网络安全认证

与车联网认证相似，车内网络也需要认证来增强其安全性，具体可分为图12的三个类别。

由于车内网络可暴露于外部通信，易遭受注入攻击和篡改攻击，为此，Nilsson等^[106]利用复合消息认证码进行数据认证。其中，消息认证码（message authentication code,MAC）被分为四个部分，每个部分被一次添加到随后的四条消息中，接收方可使用后四条消息中包含的MAC消息，验证前四条消息的真实性。

鉴于攻击者没有认证密钥的能力，MAC被视为一项有效防止CAN信息被未授权访问的措施，直至2017年Weisglass^[107]验证MAC并不安全。另外，错误帧传输^[108]可被用来检测未授权消息，一旦检测到未授权信息，将向接收节点发送错误帧覆盖未授权信息。

Van Herrewege等^[109]为CAN+提出了CANAuth，它是CAN的扩展，可以将带宽提高到16倍。CANAuth使用128位预共享组密钥建立相同长度的组会话密钥，并在每条经过身份验证的消息中添加80位HMAC和32位计数器，以保证消息的新鲜度（freshness）。由于CANAuth为每个消息ID分配一个密钥，因此需要在每个ECU上存储大量密钥，并且HMAC和计数器会带来过多的开销。

Schweppe等^[110]提出了一项身份验证框架，其中包括实体身份验证和基于策略的访问控制。他们假设每个ECU中都附加了一个硬件安全模块（hardware security module,HSM），并且存在一个或多个密钥主控器用于密钥分配。每个ECU使用两个预共享密钥与密钥主控器，一个用于验证自身，另一个用于发送生成的会话密钥。

Groza等^[111]提出一项轻量级的广播认证协议LiBra-CAN，该协议并非验证每个ECU节点，而是将节点分组，然后对认证密钥碎片化处理，从而构成更高效的渐进式身份验证方案。该方案保证智能网联汽车在少数ECU节点被攻击的情况下依然安全，利用线性方程组合并消息认证码，在总线负载、计算开销和安全级别上达到均衡。Hartkopp等^[112]设计了一项使用32位CMAC（cipher-based message authentication code）的按需认证协议，它使用一个密钥主控器进行会话密钥管理和一个时间主控器来避免重放攻击。

Kurachi等^[113]提出了一项集中式认证架构CaCAN，其中监控节点验证每条消息的签名。如果身份认证失败，监控节点可以通过使用特殊CAN控制器以错误帧覆盖消息来丢弃消息。这种方法需要特定的硬件支持，并且监控节点可能存在单点故障。Woo等^[69]提出了另一项身份认证协议，其中所有ECU在启动期间与网关联系以获取初始身份验证密钥，并且需要为每个会话更新密钥。Mundhenk等^[114]提出了一项轻量级身份验证协议，该协议可以在ECU之间安全高效地分配对称密钥，而无须预共享密钥。它们结合对称和非对称加密方法实现ECU和消息流量的两阶段认证，并通过利用车载网络的固定架构，将带宽和计算开销降至最低。

针对部分消息认证协议无法防止由ECU发起的伪造攻击，Jo等^[115]提出了Mauth-CAN认证协议，限制每个ECU在注册过程中与验证器共享密钥，验证器则利用共享密钥安全地向ECU分配种子值。若验证器发现无效的CAN消息，则在CAN总线上发送报告，通知所有ECU该CAN消息无效。

身份认证是通过基于凭据信息的机制来识别代理方的行为。在车联网安全中，该凭据信息必须由可信实体进行验证，这个可信实体被称为TA。在车载网络和车联网安全领域，均采用了密码和签名技术进行身份认证。但在车载网络中，还可以通过添加附加消息（如MAC、CMAC等）实现身份认证。

4　 展 望

本文从联网安全和车载网络安全两个角度出发，详细论述了当前应对车辆安全威胁的先进性防御措施，尝试构建较为完备的网联汽车安全防护体系。今后的研究可以在以下三个方面展开：

（1） 车辆间信息加密传输仍然是一项难题。通过区块链的分布式协议对车辆间的信息加密，以构建去中心化、可信、稳定的车联网信息传输体系，在未来具有研究价值。

（2） 车辆快速移动使得车辆拓扑网络迅速变化，这为其建立可信连接带来挑战。利用软件定义网络的快速传输机制来提升车辆间信任评估的构建效率，也是一项有意义的课题。

（3） 传统车载安全防护体系如车载安全审计、入侵检测系统等往往需要大量数据和复杂的算法。为了达到优良的效果，汽车内部的低延迟固件将是必不可少的。因此，在未来的研究中，网联汽车安全需要在降低经济成本与提升性能之间，寻求一种最佳可行方案。

5　 结 语

本文主要讨论了当前智能网联汽车存在的安全问题以及所对应研究现状。首先介绍了智能网联汽车典型应用场景，根据其体系结构，描述了其常见安全威胁，并将其归类为车联网安全和车载系统安全两方面。同时，针对当前主要聚焦的安全问题研究现状进行了分析和总结，回顾了应对所述威胁的相应解决办法，指出了现有研究的局限性以及未来研究重点。本文给出了智能网联汽车安全的未来发展趋势和研究展望，可望为进一步的研究工作奠定基础。

参考文献

[1] 宋刘艳，骆骁，邓丽莉. 车联网发展现状及建设模式分析［J］. 图书情报导刊， 2021，6（3）：73-77. DOI: 10.3969/j.issn.1005-6033.2021.03.012 .

[2] SONG L Y， LUO X， DENG L L. Analysis on the development status and construction mode of the internet of vehicles［J］. Journal of Library and Information Science， 2021，6（3）： 73-77 （Ch）. DOI: 10.3969/j.issn.1005-6033.2021.03.012 .

[3] 周智勇，吴一凡. 国内外车联网市场发展的现状及市场驱动力分析［J］. 电子产品世界， 2015，22（10）：12-15.

[4] ZHOU Z Y， WU Y F. Internet of vehicles： Global market and growth driver analysis［J］. Electronic Engineering & Product World， 2015，22（10）：12-15 （Ch）.

[5] 陈秀娟. 汽车或将成为最大移动终端［J］. 汽车观察，2014（3）：64-67.

[6] CHEN X J. Cars may become the largest mobile terminal［J］. Automotive Observer， 2014（3）：64-67 （Ch）.

[7] 林秀繁. 自动驾驶汽车侵权责任法律问题研究［D］. 保定： 河北大学， 2019.

[8] LIN X F. Research on Legal Issues of Tort Liability of Autopilot Cars［D］. Baoding： Hebei University， 2019 （Ch）.

[9] 商讯. 中国一汽与阿里巴巴战略合作：携手打造智能网联汽车［J］. 商用汽车， 2010（1）：10.

[10] SHANG X. China FAW and Alibaba strategic cooperation： Join hands to build intelligent connected vehicles［J］. Commercial Vehicle， 2010（1）：10（Ch）.

[11] 田野. 华为打造智能汽车解决方案［J］. 智能网联汽车， 2022（1）：68-69.

[12] TIAN Y. Huawei builds smart car solutions［J］. Intelligent Connected Vehicles， 2022（1）：68-69 （Ch）.

[13] 李小刚，杨彬. 车联网安全防护问题分析［J］. 移动通信， 2015，39（11）：30-33. DOI：10.3969/j.issn.1006-1010.2015.11.006 .

[14] LI X G， YANG B. Analysis on security defense problem of Internet of Vehicles［J］. Mobile Communications， 2015，39（11）：30-33. DOI：10.3969/j.issn.1006-1010.2015.11.006（Ch ）.

[15] 张进，蔡之骏，杨波. 车联网关键技术及应用研究［J］. 汽车实用技术，2021，46（13）：23-26.

[16] ZHANG J， CAI Z J， YANG B. Research on the key technology and application of Internet of Vehicles［J］. Automobile Applied Technology， 2021，46（13）：23-26 （Ch）.

[17] 严威. 汽车黑客很忙——车联网如何进行安全防护［EB/OL］. ［2015-05-01］.

[18] YAN W. Car Hackers Are Busy - How to Secure the Internet of Vehicles ［EB/OL］. ［2015-05-01］.

[19] 赵晓明. 中国黑客远程控制Model S，特斯拉紧急反应 ［EB/OL］. ［2016-09-22］. DOI: 10.4236/me.2018.99095 .

[20] ZHAO X M. Chinese Hackers Control Model S Remotely， Tesla Emergency Response ［EB/OL］. ［2016-09-22］. DOI: 10.4236/me.2018.99095 .

[21] Team Skygo. 2019智能网联汽车年度报告 ［EB/OL］. ［2020-03-24］.

[22] Team Skygo. 2019 Intelligent Connected Vehicle Annual Report ［EB/OL］. ［2020-03-24］.

[23] 光明网. 马斯克承认特斯拉用车内摄像头监控车主 ［EB/OL］. ［2021-03-19］.

[24] GUANGMING ONLINE. Musk Admits Tesla Uses In-car Cameras to Monitor Car Owners ［EB/OL］. ［2021-03-19］.

[25] 腾讯云. 问题频频，盘点近期特斯拉所经历的“网安事故” ［EB/OL］. ［2022-06-08］.

[26] Cloud Tencent. Frequent Questions， Take Stock of the Recent “Cybersecurity Incidents” Tesla Has Experienced ［EB/OL］. ［2022-06-08］.

[27] Upstream. 2021 Global Automotive Cybersecurity Report ［EB/OL］. ［2022-06-08］.

[28] SHAMIR A. Identity-based cryptosystems and signature schemes［C］//Workshop on the Theory and Application of Cryptographic Techniques. Berlin：Springer， 1984： 47-53. DOI：10.1007/3-540-39568-7_5 .

[29] BONEH D， FRANKLIN M. Identity-based encryption from the Weil pairing［C］//Annual International Cryptology Conference. Berlin：Springer， 2001： 213-229. DOI：10.1007/3-540-44647-8_13 .

[30] DU X J， WANG Y， GE J H， et al. An ID-based broadcast encryption scheme for key distribution［J］. IEEE Transactions on Broadcasting， 2005， 51（2）： 264-266. DOI：10.1109/TBC.2005.847600 .

[31] YANG C， CHENG X G， MA W P， et al. A new ID-based broadcast encryption scheme［C］//International Conference on Autonomic and Trusted Computing. Berlin：Springer， 2006： 487-492. DOI：10.1007/11839569_47 .

[32] 杨晨，马文平，王新梅. 自我强化的基于身份的广播加密方案［J］. 四川大学学报（工程科学版）， 2007，39（3）：133-135.

[33] YANG C， MA W P， WANG X M. Self-enforcing ID-based broadcast encryption scheme［J］. Journal of Sichuan University （Engineering Science Edition）， 2007，39（3）：133-135 （Ch）.

[34] DENG H， WU Q H， QIN B， et al. Asymmetric cross-cryptosystem re-encryption applicable to efficient and secure mobile access to outsourced data［C］//Proceedings of the 10th ACM Symposium on Information， Computer and Communications Security. New York： ACM，2015： 393-404. DOI: 10.1145/2714576.2714632 .

[35] EMURA K， MIYAJI A， NOMURA A， et al. A ciphertext-policy attribute-based encryption scheme with constant ciphertext length［C］//International Conference on Information Security Practice and Experience. Berlin： Springer， 2009： 13-23. DOI：10.1007/978-3-642-00843-6_2 .

[36] ZHENG Y L. Digital signcryption or how to achieve cost （signature & encryption）≪ cost （signature）+ cost （encryption）［C］//Annual International Cryptology Conference. Berlin： Springer， 1997： 165-179. DOI: 10.1007/bfb0052234 .

[37] WU T S， HSU C L， TSAI K Y， et al. Convertible multi-authenticated encryption scheme［J］. Information Sciences， 2008， 178（1）： 256-263. DOI：10.1016/j.ins.2007.06.011 .

[38] LIBERT B， QUISQUATER J J. A new identity based signcryption scheme from pairings［C］//Proceedings 2003 IEEE Information Theory Workshop （Cat. No. 03EX674）. New York： IEEE Press， 2003： 155-158. DOI: 10.1109/itw.2003.1216679 .

[39] LI F G， ZHANG H， TAKAGI T. Efficient signcryption for heterogeneous systems［J］. IEEE Systems Journal， 2013， 7（3）： 420-429. DOI：10.1109/JSYST.2012.2221897 .

[40] ZAIDI K， MILOJEVIC M B， RAKOCEVIC V， et al. Host-based intrusion detection for VANETS： A statistical approach to rogue node detection［J］. IEEE Transactions on Vehicular Technology， 2016， 65（8）： 6703-6714. DOI：10.1109/TVT.2015.2480244 .

[41] JAEGER A， BIßMEYER N， STÜBING H， et al. A novel framework for efficient mobility data verification in vehicular ad-hoc networks［J］. International Journal of Intelligent Transportation Systems Research， 2012， 10（1）： 11-21. DOI：10.1007/s13177-011-0038-9 .

[42] AZEES M， VIJAYAKUMAR P， DEBOARH L J. EAAP： Efficient anonymous authentication with conditional privacy-preserving scheme for vehicular Ad-Hoc networks［J］. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（9）： 2467-2476. DOI：10.1109/TITS.2016.2634623 .

[43] YAO Y， XIAO B， WU G F， et al. Multi-channel based Sybil attack detection in vehicular Ad-Hoc networks using RSSI［J］. IEEE Transactions on Mobile Computing， 2019， 18（2）： 362-375. DOI：10.1109/TMC.2018.2833849 .

[44] GE C P， ZHOU L， HANCKE G P， et al. A provenance-aware distributed trust model for resilient unmanned aerial vehicle networks［J］. IEEE Internet of Things Journal， 2021， 8（16）： 12481-12489. DOI：10.1109/COMST.2018.2873088 .

[45] Van Der HEIJDEN R W， DIETZEL S， LEINMÜLLER T， et al. Survey on misbehavior detection in cooperative intelligent transportation systems［J］. IEEE Communications Surveys & Tutorials， 2019， 21（1）： 779-811. DOI：10.1109/COMST.2018.2873088 .

[46] DIAS J A F F， RODRIGUES J J P C， XIA F， et al. A cooperative watchdog system to detect misbehavior nodes in vehicular delay-tolerant networks［J］. IEEE Transactions on Industrial Electronics， 2015， 62（12）： 7929-7937. DOI：10.1109/TIE.2015.2425357 .

[47] BLAZE M， FEIGENBAUM J， LACY J. Decentralized trust management［C］//Proceedings 1996 IEEE Symposium on Security and Privacy. New York： IEEE Press， 1996： 164-173. DOI: 10.1109/secpri.1996.502663 .

[48] LI W J， SONG H B. ART： An attack-resistant trust management scheme for securing vehicular Ad-Hoc networks［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（4）： 960-969. DOI：10.1109/TITS.2015.2494017 .

[49] LIN B L， CHEN X， WANG L M. A cloud-based trust evaluation scheme using a vehicular social network environment［C］//2017 24th Asia⁃Pacific Software Engineering Conference （APSEC）. New York： IEEE Press， 2017： 120-129. DOI：10.1109/APSEC.2017.18 .

[50] XIAO Y G， LIU Y B. BayesTrust and VehicleRank： Constructing an implicit web of trust in VANET［J］. IEEE Transactions on Vehicular Technology， 2019， 68（3）： 2850-2864. DOI：10.1109/TVT.2019.2894056 .

[51] BARKA E， KERRACHE C A， BENKRAOUDA H， et al. Towards a trusted unmanned aerial system using blockchain for the protection of critical infrastructure［J］. Transactions on Emerging Telecommunications Technologies， 2022，33（8）： e3706. DOI: 10.1002/ett.3706 .

[52] WYNER A D. The wire‐tap channel［J］. The Bell System Technical Journal， 1975， 54（8）： 1355-1387. DOI：10.1002/j.1538-7305.1975.tb02040.x .

[53] 宋华伟，金梁，王旭. 无线网络物理层安全认证方法［J］. 西安交通大学学报， 2018， 52（04）：105-110+138. DOI：10.7652/xjtuxb201804015 .

[54] SONG H W， JIN L， WANG X. A security authentication method for wireless network physical layers［J］. Journal of Xi’an Jiaotong University， 2018， 52（04）：105-110+138. DOI：10.7652/xjtuxb201804015（Ch ）.

[55] CHEN D J， ZHANG N， LU R X， et al. An LDPC code based physical layer message authentication scheme with prefect security［J］. IEEE Journal on Selected Areas in Communications， 2018， 36（4）： 748-761. DOI：10.1109/JSAC.2018.2825079 .

[56] 宋华伟. 移动通信物理层安全认证技术研究［D］. 郑州： 战略支援部队信息工程大学， 2018.

[57] SONG H W. Research on Physical Layer Security Authentication Technology in Mobile Communication［D］. Zhengzhou： Information Engineering University， 2018 （Ch）.

[58] 韩光明. 无线传感器网络中物理层联合认证技术研究［D］. 北京： 北京邮电大学， 2017.

[59] HAN G M. Research of Collaborative Physical Layer Authentication Scheme for Wireless Sensor Network［D］. Beijing： Beijing University of Posts and Telecommunications， 2017 （Ch）.

[60] HAO P， WANG X B， SHEN W M. A collaborative PHY-aided technique for end-to-end IoT device authentication［J］. IEEE Access， 2018， 6： 42279-42293. DOI：10.1109/ACCESS.2018.2859781 .

[61] ZHANG J L， WEN H， SONG H H， et al. Using basis expansion model for physical layer authentication in time-variant system［C］//2016 IEEE Conference on Communications and Network Security （CNS）. New York： IEEE Press， 2016： 348-349. DOI：10.1109/CNS.2016.7860505 .

[62] HE D B， ZEADALLY S， XU B W， et al. An efficient identity-based conditional privacy-preserving authentication scheme for vehicular Ad-Hoc networks［J］. IEEE Transactions on Information Forensics and Security， 2015， 10（12）： 2681-2691. DOI：10.1109/TIFS.2015.2473820 .

[63] XU C， HUANG X H， MA M D， et al. An anonymous handover authentication scheme based on LTE-A for vehicular networks［J］. Wireless Communications and Mobile Computing， 2018，2018：6251219. DOI：10.1155/2018/6251219 .

[64] RAHNAMA A， BEHESHTI-ATASHGAH M， EGHLIDOS T， et al. A lightweight anonymous authentication protocol for IoT wireless sensor networks［C］//2019 16th International ISC （Iranian Society of Cryptology） Conference on Information Security and Cryptology （ISCISC）. New York： IEEE Press， 2019： 39-44. DOI：10.1109/ISCISC48546.2019.8985154 .

[65] ZHANG J， ZHONG H， CUI J， et al. An extensible and effective anonymous batch authentication scheme for smart vehicular networks［J］. IEEE Internet of Things Journal， 2020， 7（4）： 3462-3473. DOI：10.1109/JIOT.2020.2970092 .

[66] KIM H， LEE Y， ABDALLA M， et al. Practical dynamic group signature with efficient concurrent joins and batch verifications［J］. Journal of Information Security and Applications， 2021， 63： 103003. DOI：10.1016/j.jisa.2021.103003 .

[67] LAI C Z， ZHENG D， ZHAO Q L， et al. SEGM： A secure group management framework in integrated VANET-cellular networks［J］. Vehicular Communications， 2018， 11： 33-45. DOI：10.1016/j.vehcom.2018.01.004 .

[68] XU C， HUANG X H， MA M D， et al. A secure and efficient message authentication scheme for vehicular Networks based on LTE-V［J］. KSII Transactions on Internet and Information Systems， 2018， 12（6）：2841-2860. DOI：10.3837/tiis.2018.06.022. DOI：10.3837/tiis.2018.06.022 .

[69] 李晓伟， 杨邓奇， 曾新，等. 车联网环境下跨域间认证与密钥协商协议［J］. 西安电子科技大学学报， 2021， 48（1）：141-148. DOI：10.19665/j.issn1001-2400.2021.01.016 .

[70] LI X W， YANG D Q， ZENG X， et al. Cross-domain authentication and the key agreement protocol in VANETs［J］. Journal of Xidian University， 2021， 48（1）：141-148. DOI：10.19665/j.issn1001-2400.2021.01.016（Ch ）.

[71] JIANG W B， LI H W， XU G W， et al. PTAS： Privacy-preserving thin-client authentication scheme in blockchain-based PKI［J］. Future Generation Computer Systems， 2019， 96： 185-195. DOI：10.1016/j.future.2019.01.026 .

[72] WANG W T， HU N， LIU X. BlockCAM： A blockchain-based cross-domain authentication model［C］//2018 IEEE Third International Conference on Data Science in Cyberspace （DSC）. New York： IEEE Press， 2018： 896-901. DOI：10.1109/DSC.2018.00143 .

[73] GABAY D， AKKAYA K， CEBE M. Privacy-preserving authentication scheme for connected electric vehicles using blockchain and zero knowledge proofs［J］. IEEE Transactions on Vehicular Technology， 2020， 69（6）： 5760-5772. DOI：10.1109/TVT.2020.2977361 .

[74] SUN J Y， ZHANG C， ZHANG Y C， et al. An identity-based security system for user privacy in vehicular Ad-Hoc networks［J］. IEEE Transactions on Parallel and Distributed Systems， 2010， 21（9）： 1227-1239. DOI：10.1109/TPDS.2010.14 .

[75] XU C， LIU H Z， PAN Z H， et al. A group authentication and privacy-preserving level for vehicular networks based on fuzzy system［J］. Journal of Intelligent & Fuzzy Systems， 2020， 39（2）： 1547-1562. DOI: 10.3233/jifs-179928 .

[76] PARK Y， SUR C， RHEE K H. Pseudonymous authentication for secure V2I services in cloud-based vehicular networks［J］. Journal of Ambient Intelligence and Humanized Computing， 2016， 7（5）： 661-671. DOI：10.1007/s12652-015-0309-4 .

[77] DWORK C. Differential privacy： A survey of results［C］//International Conference on Theory and Applications of Models of Computation. Berlin：Springer， 2008： 1-19. DOI：10.1007/978-3-540-79228-4_1 .

[78] ZHOU L， YU L， DU S G， et al. Achieving differentially private location privacy in edge-assistant connected vehicles［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4472-4481. DOI：10.1109/JIOT.2018.2876419 .

[79] GRUTESER M， GRUNWALD D. Anonymous usage of location-based services through spatial and temporal cloaking［C］//Proceedings of the 1st International Conference on Mobile Systems， Applications and Services. New York： ACM，2003： 31-42. DOI: 10.1145/1066116.1189037 .

[80] 郭敏， 张少波， 李向东， 等. 物联网环境下位置隐私保护技术研究［J］. 小型微型计算机系统， 2017， 38（9）： 1961-1965. DOI：10.3969/j.issn.1000-1220.2017.09.008 .

[81] GUO M， ZHANG S B， LI X D， et al. Research on location privacy protection technology in IoT［J］. Journal of Chinese Computer Systems， 2017， 38（9）： 1961-1965. DOI：10.3969/j.issn.1000-1220.2017.09.008（Ch ）.

[82] BAZA M， SHERIF A， MAHMOUD M M E A， et al. Privacy-preserving blockchain-based energy trading schemes for electric vehicles［J］. IEEE Transactions on Vehicular Technology， 2021， 70（9）： 9369-9384. DOI：10.1109/TVT.2021.3098188 .

[83] CHEN J G， LI K L， YU P S. Privacy-preserving deep learning model for decentralized VANETs using fully homomorphic encryption and blockchain［J］. IEEE Transactions on Intelligent Transportation Systems， 2021，23（8）： 11633-11642. DOI：10.1109/TITS.2021.3105682 .

[84] YANG Y H， WEI L J， WU J， et al. A blockchain-based multi-domain authentication scheme for conditional privacy preserving in vehicular ad-hoc network［J］. IEEE Internet of Things Journal， 2021， 9（11）： 8078-8090. DOI：10.1109/JIOT.2021.3107443 .

[85] PADGETTE J， SCARFONE K， CHEN L. Guide to bluetooth security［J］. NIST Special Publication， 2012， 800（121）： 25.

[86] CHECKOWAY S， MCCOY D， KANTOR B， et al. Comprehensive experimental analyses of automotive attack surfaces［C］//Proceedings of the 20th USENIX conference on Security. New York： ACM， 2011：1-6.

[87] AUTOSAR. Specification of Module Secure Onboard Communication［EB/OL］. ［2019-06-02］.

[88] WOO S， JO H J， LEE D H. A practical wireless attack on the connected car and security protocol for in-vehicle CAN［J］. IEEE Transactions on Intelligent Transportation Systems， 2014， 16（2）： 993-1006. DOI：10.1109/TITS.2014.2351612 .

[89] YOSHIKAWA M， SUGIOKA K， NOZAKI Y， et al. Secure in-vehicle systems against Trojan attacks［C］//2015 IEEE/ACIS 14th International Conference on Computer and Information Science （ICIS）. New York： IEEE Press， 2015： 29-33. DOI：10.1109/ICIS.2015.7166565 .

[90] 朱立民. 智能汽车网络安全若干关键技术研究［D］. 长沙： 湖南大学， 2017.

[91] ZHU L M. Research on Several Key Technologies for Network Security of the Smart Vehicles［D］. Changsha： Hunan University， 2017 （Ch）.

[92] JIANG K， ELES P， PENG Z B. Co-design techniques for distributed real-time embedded systems with communication security constraints［C］//2012 Design， Automation & Test in Europe Conference & Exhibition （DATE）. New York： ACM， 2012： 947-952. DOI: 10.1109/date.2012.6176633 .

[93] AMINIFAR A， ELES P， PENG Z. Optimization of message encryption for real-time applications in embedded systems［J］. IEEE Transactions on Computers， 2018， 67（5）： 748-754. DOI: 10.1109/tc.2017.2778728 .

[94] MUNIR A， KOUSHANFAR F. Design and analysis of secure and dependable automotive CPS： A steer-by-wire case study［J］. IEEE Transactions on Dependable and Secure Computing， 2020， 17（4）： 813-827. DOI：10.1109/TDSC.2018.2846741 .

[95] LUO F， HU Q. Security Mechanisms Design for In⁃Vehicle Network Gateway［R］. SAE Technical Paper， 2018. DOI：10.4271/2018-01-0018 .

[96] PESÉ M D， SCHMIDT K， ZWECK H. Hardware/Software Co⁃Design of an Automotive Embedded Firewall ［R］. SAE Technical Paper， 2017. DOI：10.4271/2017-01-1659 .

[97] RIZVI S， WILLETT J， PERINO D， et al. Protecting an automobile network using distributed firewall system［C］//Proceedings of the Second International Conference on Internet of Things， Data and Cloud Computing. New York： ACM， 2017： 1-6. DOI：10.1145/3018896.3056791 .

[98] SEIFERT S， OBERMAISSER R. Secure automotive gateway—Secure communication for future cars［C］//2014 12th IEEE International Conference on Industrial Informatics （INDIN）. New York： IEEE Press， 2014： 213-220. DOI：10.1109/INDIN.2014.6945510 .

[99] TAYLOR A， JAPKOWICZ N， LEBLANC S. Frequency-based anomaly detection for the automotive CAN bus［C］//2015 World Congress on Industrial Control Systems Security （WCICSS）. New York： IEEE Press， 2015： 45-49. DOI: 10.1109/wcicss.2015.7420322 .

[100] MILLER C， VALASEK C. Adventures in automotive networks and control units［J］. Def Con， 2013， 21（260-264）： 15-31.

[101] SNAPP S R， BRENTANO J， DIAS G V， et al. DIDS （distributed intrusion detection system）―Motivation，architecture， and an early prototype［M］.Internet Besieged： Countering Cyberspace Scofflaws. New York：ACM Press， 1997： 211-227. DOI: 10.1016/s0267-3649(98)80059-9 .

[102] WEBER M， KLUG S， SAX E， et al. Embedded Hybrid Anomaly Detection for Automotive CAN Communication［DB/OL］.［2022-09-10］.

[103] CHO K T， SHIN K G. Fingerprinting electronic control units for vehicle intrusion detection［C］//Proceedings of the 25th USENIX Conference on Security Symposium. New York： ACM，2016： 911-927. DOI: 10.1145/2976749.2978302 .

[104] NING J， WANG J D， LIU J J， et al. Attacker identification and intrusion detection for in-vehicle networks［J］. IEEE Communications Letters， 2019， 23（11）： 1927-1930. DOI：10.1109/LCOMM.2019.2937097 .

[105] CHOI W， JOO K， JO H J， et al. VoltageIDS： Low-level communication characteristics for automotive intrusion detection system［J］. IEEE Transactions on Information Forensics and Security， 2018， 13（8）： 2114-2129. DOI：10.1109/TIFS.2018.2812149 .

[106] SAGONG S U， YING X， POOVENDRAN R， et al. Exploring attack surfaces of voltage-based intrusion detection systems in controller area Networks［DB/OL］.［2022-09-10］. DOI: 10.1109/iccps.2018.00012 .

[107] WANG Q， QIAN Y M， LU Z J， et al. A delay based plug-in-monitor for intrusion detection in controller area network［C］//2018 Asian Hardware Oriented Security and Trust Symposium （AsianHOST）. New York： IEEE Press， 2018： 86-91. DOI：10.1109/AsianHOST.2018.8607178 .

[108] YING X H， BERNIERI G， CONTI M， et al. TACAN： Transmitter authentication through covert channels in controller area networks［C］//Proceedings of the 10th ACM/IEEE International Conference on Cyber-Physical Systems. New York： ACM， 2019： 23-34. DOI：10.1145/3302509.3313783 .

[109] SALEM M， CROWLEY M， FISCHMEISTER S. Anomaly detection using inter-arrival curves for real-time systems［C］//2016 28th Euromicro Conference on Real-Time Systems （ECRTS）. New York： IEEE Press， 2016： 97-106. DOI：10.1109/ECRTS.2016.22 .

[110] SONG H M， KIM H R， KIM H K. Intrusion detection system based on the analysis of time intervals of CAN messages for in-vehicle network［C］//2016 International Conference on Information Networking （ICOIN）. New York： IEEE Press， 2016： 63-68. DOI：10.1109/ICOIN.2016.7427089 .

[111] MOORE M R， BRIDGES R A， COMBS F L， et al. Modeling inter-signal arrival times for accurate detection of CAN bus signal injection attacks： A data-driven approach to in-vehicle intrusion detection［C］//Proceedings of the 12th Annual Conference on Cyber and Information Security Research. New York： ACM， 2017： 1-4. DOI：10.1145/3064814.3064816 .

[112] MÜTER M， ASAJ N. Entropy-based anomaly detection for in-vehicle networks［C］//2011 IEEE Intelligent Vehicles Symposium （Ⅳ）. New York： IEEE Press， 2011： 1110-1115. DOI：10.1109/IVS.2011.5940552 .

[113] MARCHETTI M， STABILI D， GUIDO A， et al. Evaluation of anomaly detection for in-vehicle networks through information-theoretic algorithms［C］//2016 IEEE 2nd International Forum on Research and Technologies for Society and Industry Leveraging a Better Tomorrow （RTSI）. New York： IEEE Press， 2016： 1-6. DOI：10.1109/RTSI.2016.7740627 .

[114] WU W F， HUANG Y Z， KURACHI R， et al. Sliding window optimized information entropy analysis method for intrusion detection on in-vehicle networks［J］. IEEE Access， 2018， 6： 45233-45245. DOI：10.1109/ACCESS.2018.2865169 .

[115] KANG M J， KANG J W. A novel intrusion detection method using deep neural network for in-vehicle network security［C］//2016 IEEE 83rd Vehicular Technology Conference （VTC Spring）. New York： IEEE Press， 2016： 1-5. DOI：10.1109/VTCSpring.2016.7504089 .

[116] JICHICI C， GROZA B， MURVAY P S. Examining the use of neural networks for intrusion detection in controller area networks［C］//International Conference on Security for Information Technology and Communications. Cham：Springer，2018： 109-125. DOI：10.1007/978-3-030-12942-2_10 .

[117] PAWELEC K， BRIDGES R A， COMBS F L. Towards a CAN IDS based on a neural network data field predictor［C］//Proceedings of the ACM Workshop on Automotive Cybersecurity. New York： ACM，2019： 31-34. DOI：10.1145/3309171.3309180 .

[118] KUWAHARA T， BABA Y， KASHIMA H， et al. Supervised and unsupervised intrusion detection based on CAN message frequencies for in-vehicle network［J］. Journal of Information Processing， 2018， 26： 306-313. DOI: 10.2197/ipsjjip.26.306 .

[119] TARIQ S， LEE S， WOO S S. CANTransfer： Transfer learning based intrusion detection on a controller area network using convolutional LSTM network［C］//Proceedings of the 35th Annual ACM Symposium on Applied Computing. New York： ACM，2020： 1048-1055. DOI：10.1145/3341105.3373868 .

[120] BEZEMSKIJ A， LOUKAS G， GAN D， et al. Detecting cyber-physical threats in an autonomous robotic vehicle using Bayesian networks［C］//2017 IEEE International Conference on Internet of Things （iThings） and IEEE Green Computing and Communications （GreenCom） and IEEE Cyber， Physical and Social Computing （CPSCom） and IEEE Smart Data （SmartData）. New York： IEEE Press， 2017： 98-103. DOI：10.1109/iThings-GreenCom-CPSCom-SmartData.2017.20 .

[121] BOUMIZA S， BRAHAM R. An efficient hidden Markov model for anomaly detection in CAN bus networks［C］//2019 International Conference on Software， Telecommunications and Computer Networks （SoftCOM）. New York： IEEE Press， 2019： 1-6. DOI：10.23919/softcom.2019.8903789 .

[122] AVATEFIPOUR O， AL-SUMAITI A S， EL-SHERBEENY A M， et al. An intelligent secured framework for cyberattack detection in electric vehicles’ CAN bus using machine learning［J］. IEEE Access， 2019， 7： 127580-127592. DOI：10.1109/ACCESS.2019.2937576 .

[123] TOMLINSON A， BRYANS J， SHAIKH S A. Using a one-class compound classifier to detect in-vehicle network attacks［C］//Proceedings of the Genetic and Evolutionary Computation Conference Companion. New York： ACM，2018： 1926-1929. DOI：10.1145/3205651.3208223 .

[124] NOWDEHI N， AOUDI W， ALMGREN M， et al. CASAD： CAN-Aware Stealthy-Attack Detection for In-Vehicle Networks［EB/OL］. 2019： arXiv： 1909.08407.

[125] 许兴. 基于用户数据流的分布式网络安全审计系统的研究［D］. 北京： 北京林业大学， 2008：5-13.

[126] XU X. A Research on Distributed Audit System of Network Security Based on Traffic Flows［D］. Beijing： Beijing Forestry University， 2008：5-13（Ch）.

[127] NILSSON D K， LARSON U E， JONSSON E. Efficient in-vehicle delayed data authentication based on compound message authentication codes［C］//2008 IEEE 68th Vehicular Technology Conference. New York： IEEE Press， 2008： 1-5. DOI：10.1109/VETECF.2008.259 .

[128] WEISGLASS Y. Practical attacks on CAN message authentication［EB/OL］.［2022-10-12］.

[129] UJIIE Y， KISHIKAWA T， HAGA T， et al. A method for disabling malicious CAN messages by using a CMI-ECU［R/OL］.［2022-10-20］.

[130] Van HERREWEGE A， SINGELEE D， VERBAUWHEDE I. CANAuth―A Simple， Backward Compatible Broadcast Authentication Protocol for CAN Bus［DB/OL］.［2022-01-02］.

[131] SCHWEPPE H， ROUDIER Y， WEYL B， et al. Car2X communication： Securing the last meter―A cost-effective approach for ensuring trust in Car2X applications using in-vehicle symmetric cryptography［C］//2011 IEEE Vehicular Technology Conference （VTC Fall）. New York： IEEE Press， 2011： 1-5. DOI：10.1109/VETECF.2011.6093081 .

[132] GROZA B， MURVAY S， Van HERREWEGE A， et al. LiBrA-CAN： A lightweight broadcast authentication protocol for controller area networks［C］//International Conference on Cryptology and Network Security. Berlin：Springer， 2012： 185-200. DOI：10.1007/978-3-642-35404-5_15 .

[133] HARTKOPP O， REUBER C， SCHILLING R. MaCAN-message authenticated CAN［C］//10th Int Conf on Embedded Security in Cars （ESCAR 2012）. November 28-29， 2012， Berlin. 2012：1-10.

[134] KURACHI R， MATSUBARA Y， TAKADA H， et al. CaCAN-centralized authentication system in CAN （controller area network）［DB/OL］.［2022-01-02］.

[135] MUNDHENK P， PAVERD A， MROWCA A， et al. System level design approaches to security in automotive networks［J］. ACM Transactions on Design Automation of Electronic Systems， 2017， 22（2）： 1-25. DOI: 10.1145/2960407 .

[136] JO H J， KIM J H， CHOI H Y， et al. Mauth-CAN： Masquerade-attack-proof authentication for in-vehicle networks［J］. IEEE Transactions on Vehicular Technology， 2020， 69（2）： 2204-2218. DOI：10.1109/TVT.2019.2961765 .