基于DBN与带注意力机制GRU的CAN总线入侵检测模型

Intrusion Detection Model for CAN Bus Using DBN and Attention-Based GRU

摘要

为解决车联网中CAN（controller area network）总线易受攻击的问题，提出了一个混合攻击入侵检测模型DGAO-IDS。该模型利用无监督的DBN（deep belief nets）学习正常CAN报文数据的基础特征，并利用一个带注意力机制的GRU（gate recurrent unit）网络学习其时序特征，用单分类支持向量机对其进行分类；引入一个对电子控制单元规则学习得到的过滤器，综合过滤器与前述模型的分类结果得出最终的检测结果。实验结果表明，对于不同攻击，基于规则的过滤器的假阳率均为0；DGAO-IDS模型不仅在公开数据集HCRL中的检测结果优于对比模型HyDL-IDS和MD-LSTM，而且该模型在混合攻击数据集MixAt中的精确度达到了91.05%，与HyDL-IDS模型和MD-LSTM模型相比分别高6.55%与7.93%。

Abstract

To address the vulnerability of the CAN（controller area network） bus in Telematics, this paper proposes a hybrid attack intrusion detection model, DGAO-IDS, which uses an unsupervised DBN to learn the basic features of normal CAN message data and a GRU network with an attention mechanism to learn its temporal features, and finally classifies them using a single classification support vector machine. The final detection result is obtained by combining the filter with the classification results of the aforementioned model. Experimental results demonstrate that the proposed rule-based filters have a false positive rate of zero for different attacks. Moreover, the DGAO-IDS model outperforms the comparative models HyDL-IDS and MD-LSTM on the public dataset HCRL. In addition, the model achieves an accuracy of 91.05% on the mixed-attack dataset MixAt, which is 6.55% and 7.93% higher than the HyDL-IDS model and the MD-LSTM model, respectively.

Graphical abstract

关键词

深度信念网络 / CAN总线 / 门控循环单元 / 单分类支持向量机 / 过滤器

Key words

deep belief nets / CAN（controller area network） bus / gate recurrent unit （GRU） / one-class support vector machine（OC-SVM） / filter

0　 引 言

随着新能源汽车的高速发展，智能网联汽车（intelligent connected vehicle，ICV）已成为汽车行业发展的主要趋势。ICV将车联网与智能汽车有机联合，是配备了先进的智能传感器、执行器、电子控制单元（electronic control unit，ECU），与互联网相连，并拥有复杂环境感知和智能控制能力的智能汽车^[1]。在智能汽车中，每个ECU在控制系统中完成一个特定的功能，如油门、刹车和转向的控制。ECU根据其功能或通信速率被划分为不同的子网进行通信。车载网络（vehicle-mounted network，VMN）通过网关将多个子网进行互联。一般来说，ECU通过控制器局域网（controller area network，CAN）进行通信。CAN与局域互联网（local interconnect network，LIN）以及FlexRay^[2]共同组成了最常见的车载网络。与常见的以太网网络不同，CAN总线广播了一些包含车辆状态信息的短消息，以维持系统中所有ECU的数据一致性^[3]。

然而，由于CAN总线采用的是广播式通信，并且没有任何形式的消息认证，因此CAN协议很容易受到消息注入攻击的影响。入侵者可以通过USB、第二代车载诊断接口（on-board diagnostics，OBD-Ⅱ）等物理接口以及蓝牙、Wi-Fi、移动蜂窝网络等无线接口攻击CAN网络，造成车辆的严重故障，甚至对驾驶员的安全造成威胁。例如，攻击者可以通过向CAN总线中注入与汽车发动机曲轴转速相关的特定报文改变汽车的行驶速度，从而威胁到驾驶员的安全。2015年，Miller等^[4]远程入侵了一辆正在高速公路上行驶的吉普车，并控制了该车辆的正常行驶，最后致使该汽车制造商召回了140万辆已经售出的汽车。2016年，腾讯的科恩安全实验室^[5]实现了对特斯拉Model S在停车和驾驶模式下的远程攻击。其团队通过远程方式（Wi-Fi或者蜂窝网络），入侵车载系统，然后将恶意的CAN报文注入CAN总线中完成攻击。2018年，比利时鲁汶大学的一个研究团队破解了特斯拉Model S车辆遥控钥匙的加密功能，并成功开走了车辆^[6]。因此，智能网联汽车的防御机制必不可少，这样才能提高其安全性。

针对ICV的安全问题，从CAN总线协议的特性出发，Wang等^[7]提出了一个基于使用加密密钥来验证消息有效性的认证框架。但这种基于加密和认证的技术计算开销与存储开销较大，在实际应用中往往受到车载网络的计算能力、带宽和存储资源的限制。另一种针对ICV的安全预防方案是构建入侵检测系统（intrusion detection system，IDS）。IDS的设计采用的方案大都是长短期记忆网络（long short-term memory，LSTM）以及卷积神经网络（convolutional neural network，CNN）等深度学习模型，例如，Lo等^[8]提出了一种基于CNN与LSTM的混合异常检测方案。但类似的基于深度学习的方案大都只考虑用异常数据训练，忽略了实际场景中的异常数据是难以获得的。而且，IDS的设计不可避免地需要同时使用时序预测网络（如LSTM）和CNN^[9]，这导致网络模型过于复杂，效率低下^[10]。除此之外，目前相关的算法^{[9，11，12]}大都没有考虑到混合攻击（一个数据集中存在多种攻击数据）或者对混合攻击的识别效果不佳^[13，14]。

为了解决上述问题，本文提出了一种基于改进的深度信念网络（deep belief nets，DBN）的CAN总线入侵检测模型DGAO-IDS。该模型首先利用DBN对CAN报文数据进行降维和特征提取，其次采用带注意力机制的门控循环网络对其进行时序特征提取，之后采用单分类支持向量机（one-class support vector machine,OC-SVM）^[15]对提取的特征进行学习分类。最后再利用一种基于规则的过滤器算法对其结果进行更新优化得出最终的检测结果。

本文的主要创新点如下所述：

1) 利用CAN报文的特点，提出一个基于规则的过滤器，提高了检测的精度，减少检测过程的时间开销。

2) 提出了一个基于GRU（gate recurrent unit）与DBN的混合模型DGAO-IDS，使用公开数据集进行实验分析。该模型无论是利用带攻击的异常数据集还是不带攻击的正常数据集进行训练后，其检测精确度等检测参数均优于现有模型。

3) 使用本文的自构数据集对提出的混合模型DGAO-IDS进行实验分析。该模型检测精确度等参数均优于现有模型，同时DGAO-IDS模型的训练时间与检测时间优于HyDL-IDS模型^[5]。

1　 相关工作

多年来，研究人员一直在研究车载网络的安全问题，CAN总线的安全更是重中之重。针对车载网络中的CAN总线安全来说，目前的研究总体上可以分为两个类别：1） 基于信息认证或是信息加密的解决方案；2） 基于入侵检测系统的解决方案。

1.1　信息认证/加密

由于CAN总线采用的是广播式通信，一些研究人员试图通过在CAN数据包上附加消息等方法实现认证，以及采用加密的方法确保报文的安全性。例如，Oguma等^[16]提出了一种验证框架，通过主从网络实现CAN报文的验证；Van Herrewege等^[17]提出在CAN数据帧上附加一个唯一的哈希消息验证CAN消息；Lin等^[18]提出向CAN网络发送额外的信息，作为心跳信号实现认证功能；Groza等^[19]利用密钥链实现CAN数据报文的时间同步，并达成认证的目的。

Szilagyi等^[20]提出了一种基于对称密钥的数字签名来提高CAN协议的安全性。Wang等^[7]提出了一个使用加密密钥验证消息有效性的认证框架。Ueda等^[21]提出使用一个私有密钥，该密钥将被分配给指定车辆的合法ECU，车辆的每个合法ECU必须拒绝没有经过密钥验证的CAN报文。Farag等^[22]提出了CANTrack，它对CAN报文的数据有效载荷字段进行加密，防止非法的节点监听或者篡改其内容。尽管加密和验证方法可以有效地提高车载CAN总线网络的安全性，但在实际应用中往往受到车载网络计算能力、带宽和存储资源的限制。

1.2　入侵检测系统

基于IDS的解决方案不需要改变任何CAN数据包或增加任何通道的带宽，它采用数据驱动的方法检测CAN总线中的攻击。其实现过程比较容易，只需要持续地监测网络的自然行为，如果网络的性质或者自然行为发生偏差，则可以根据该偏差判断CAN总线是否遭受攻击。

早期对CAN总线的入侵检测主要基于频率、熵和相关性。但此类算法只对干扰CAN总线报文频率的攻击有效^[23]。例如，Wang等^[12]提出了一种基于CAN报文标志位信息熵的入侵检测系统，通过计算标志位字段的熵，并根据熵的变化判断是否发生攻击。Olufowobi等^[24]提出了一种利用CAN报文时间间隔检测异常攻击的方法，该算法通过计算连续报文间的时间间隔判断该报文是否合法。Taylor等^[25]提出了一个基于消息频率的入侵检测系统，使用连续的消息数据字段之间的汉明距离检测攻击。这些方法大都使用语法数据集进行验证，该数据集中的攻击是通过在正常驾驶条件下收集的CAN报文集上添加和删除报文而得到的。并且由于这类算法是基于频率、时间和熵的，故其只对干扰CAN总线报文频率的攻击有效。

随着人工智能相关技术的发展，人们越来越关注使用机器学习以及深度学习相关的技术对CAN总线数据帧的特征进行提取，识别攻击。例如，Zhu等^[26]提出了使用多层LSTM进行异常检测的方案，这个方案在分布式的环境进行了训练，通过多个终端训练可以加快训练速度，降低对ECU算力的负担。Sun等^[9]提出了一个采用CNN-LSTM的深度学习框架，首先通过逆向的方式提取CAN报文中的信号，然后根据信号检测，降低数据的维度，提高检测效率。Javed等^[13]采用CNN与带有注意力机制的GRU的混合模型，该模型不仅可以用于检测单一的攻击，而且可以用于检测混合攻击。Qin等^[11]提出了一个基于时序的检测模型，采用改进的LSTM预测CAN报文判断CAN总线是否遭受攻击。Li等^[27]提出了一个基于规则和支持向量描述的入侵检测系统，采用高斯核函数和马尔科夫链降低训练数据的冗余，提高检测效率。Hu等^[14]提出了一个基于Mosaic编码的卷积神经网络的检测方法，可以检测含有混合攻击的入侵。Cheng等^[28]提出了一种带有注意力机制的时序卷积检测模型，该模型极大地提高了检测的性能。

还有相关的研究人员采用基于图相关算法的入侵检测系统。例如，Jedh等^[29]提出一种采用直接图相似度的检测方法，利用算法将CAN报文序列转换为直接图，然后计算图之间的相似度，判断是否发生了攻击。Islam等^[30]提出了一种基于高斯朴素贝叶斯的图检测方案，将CAN报文构成图后利用其中的出度、入度等特性建模进行检测分析。Refat等^[31]提出了一种基于邻域图的相似性的轻量级检测方案，在训练数据较少时具有较高的检测精度与性能。

上述的大多数方案都是直接采用机器学习算法和深度学习算法的堆叠构建入侵检测系统，使模型结构过于复杂，在实际应用中不能满足实时性。这些方案大多没有考虑利用CAN总线的广播特性以及ECU发送报文的特性来提高方案的性能。

2　 设计思路

由于加密和信息验证之类的方法所需的计算与存储开销较大，实际环境中车辆难以满足其运行条件，故而本文采用了基于深度学习的入侵检测方案。同时为了更好地描述文中提出的算法模型，本节先对相关知识背景进行介绍。

2.1　控制器局域网（CAN）总线

CAN总线是国际标准化组织定义的串行通信总线，主要用于车辆内部ECU间的通信。作为车辆中最重要的通信信道，CAN总线连接不同的ECU，并负责传递车辆状态的信息。通过获取CAN总线上传输的这些信息可以跟踪驾驶者的行为和车辆的状态。

CAN总线中的消息帧主要可以分为下述五类^[3]：1） 数据帧；2） 遥控帧；3） 错误帧；4） 过载帧；5）帧间隔。由于数据帧具有传输数据的功能，并且CAN总线中用来传输信息的主要是数据帧，而其他四类帧出现的频率很低，所以本文主要讨论的是数据帧。数据帧有两种不同的格式，标准帧和扩展帧。这两种数据帧的主要区别为报文标识符保留的位数，标准帧中标识符段（ID）为11位，扩展帧中ID则为29位。其结构如图1所示。数据帧主要由以下七个位域组成：帧起始（SOF）、仲裁段、控制段、数据段、CRC段、ACK段、帧结束（EOF）。其中最重要的两个部分为仲裁段的标识符段（ID）和数据段。ID部分可以确定发送信息的ECU，而数据部分则包括报文所传输的所有信息。后续的入侵检测系统主要运用的也是这两部分数据。

2.2　CAN报文的高维特征提取

CAN总线报文的数据部分初始为64位的数字信号，需要通过相关的神经网络模型对其进行降维和特征提取。CNN是一种具有特征提取功能的深度学习网络^[32]，主要应用于图像识别领域，但其对计算资源的要求较高。相较于CNN，DBN是一种无监督学习的特征提取网络，网络结构更简洁，检测时延较低，更适用于CAN总线报文入侵检测的环境。

DBN的简单结构示意图如图2所示。DBN是具有若干潜变量层的生成模型^[32]，其每次从未标记的数据中学习一层特征。DBN是通过受限玻尔兹曼机（restricted Boltzmann machine,RBM）的顺序堆叠来构造的。一个RBM由两层神经元构成：可见层和隐藏层。通过上一个RBM的隐藏层作为下一个RBM的可见层，可将多个RBM堆叠在一起构成DBN。如在图2中，RBM2的可见层是RBM1的隐藏层，以此类推。

在RBM中，显性神经元v代表观测值，隐藏神经元h为学习表征。RBM将输入向量v从一个维度为n的输入空间映射到一个维度为d=\left|h\right|的特征空间，其中。隐藏和可见向量的联合分布p(v,h)被定义为能量函数E(v,h)，即p(v,h)=\frac{{\mathrm{e}}^{-E(v,h)}}{Z}，其中Z=\sum _{v,h}{\mathrm{e}}^{-E(v,h)}是归一化因子。给定模型的网络参数\theta =(W,b,c)，其中b和c分别是隐藏层和可见层的偏移量,W为网络的参数。假设输入向量是高斯随机变量，其方差为\sigma，那么可以得到这个RBM的高斯伯努利能量函数：

E(v,h)=\frac{\mathrm{1}}{\mathrm{2}}\sum _i(v_i-c_i{)}^{\mathrm{2}}-\sum _j{b}_j{h}_j-\sum _{i,j}{w}_{i,j}{v}_i{h}_j(1)

其中，v_j 和h_j 分别是显性层和隐藏层的第i个和第j个神经元，权重为w_i,j，偏移量则分别为c_i 和b_j。又由于同一层的隐藏神经元间是不存在连接的，故可以计算出条件分布p(h|v)：

p(h|v)=\prod _{j}p(h_j|v)=\prod _{j}Sigm(b_j+\sum _i{w}_{i,j}{v}_i)(2)

类似地，由于显性神经元之间也不存在连接，故：

p(v|h)=\prod _{i}p(v_i|h)=\prod _i\mathit{𝒩}(c_i+\sum _j{w}_{i,j}{v}_i,\sigma )(3)

其中，\mathrm{S}\mathrm{i}\mathrm{g}\mathrm{m}(\cdot )为对数激活函数，\mathrm{𝒩}(\mu ,\sigma )服从均值为μ，方差为σ的高斯分布。

对RBM的训练过程就是寻找参数θ的最优值，使得能量函数E(v,h)最小化，采用的方法是用v的梯度（相对于模型参数\theta）最大化v的对数似然估计，如下述公式：

\frac{\partial \mathrm{l}\mathrm{o}\mathrm{g}p(v)}{\partial \theta }=E_{p(h|v)}\left[\frac{\partial E(v,h)}{\partial \theta }\right]-E_{p(v|p)}\left[\frac{\partial E(h,v)}{\partial \theta }\right](4)

在训练完一个RBM后，由于DBN是由多层RBM堆叠的，故从当前隐藏层得到的状态被当作下一层可见层的输入再次进行训练。在多层RBM中，所产生的DBN的自下而上的识别权重被用来确定多层前馈神经网络的权重。

2.3　CAN报文的时序特征提取

车辆中的ECU会通过CAN总线交换连续的报文协作完成特定的功能。例如，一条代表燃料消耗增加的CAN报文后，通常会有一条代表增加转速的报文，而且很可能还有一条代表增加速度的报文^[23]。这些信息都具有一定的序列模式，也就是具有一定的时序性。

本文采用改进的LSTM网络—门控循环单元（gate recurrent unit,GRU）网络提取CAN总线报文的时序特征。LSTM解决了RNN无法解决的长依赖问题以及RNN存在梯度消失和梯度爆炸的问题^[33]。但是对于CAN总线环境来说，需要一个结构更简洁、计算开销更小的网络维持汽车实时性，而门控循环单元GRU刚好满足这一特点。GRU是LSTM的一种变体，它不仅保持了LSTM的结构，同时还简化了结构^[13]。与LSTM相比，GRU只包含两个门，对硬件的计算要求更低，降低了计算时的时间开销。

为了更好地对报文序列的时序特征进行学习，本文在GRU网络的基础上还增加了一个注意力机制模块对每一个CAN报文序列中的报文进行加权，提高其重要性。(5)式为注意力的更新公式：

h^{\mathrm{*}}=\mathrm{t}\mathrm{a}\mathrm{n}h(w_h[c_t;h_t])(5)

其中，h_t 为GRU当前的隐藏状态，c_t 为上下文向量。

2.4　特征分类

由于汽车行驶的现实场景中异常数据通常是难以获取的，大部分的CAN报文数据中都不存在异常数据，使得数据集严重失衡。并且对于一辆汽车的攻击往往都是采用多类攻击协同来达成某一攻击目的，致使CAN数据集中会同时存在多类攻击的数据包。故而不能采用类似于全连接层的分类网络对提取的特征进行分类。为了解决这一问题，本文采用单分类支持向量机（one-class support vector machine,OC-SVM）^[15]对特征进行分类。OC-SVM是基于支持向量机（support vector machine，SVM）的异常或异常值检测技术，其训练集中的数据是失衡的，极端情况下就只有一类数据。故相较于全连接层与普通的SVM，OC-SVM更适用于CAN报文的入侵检测。OC-SVM的工作方式与支持向量机(SVM)类似，两者都是在训练过程中尝试寻找超平面以将数据进行分类，但不同之处在于OC-SVM只采用无攻击数据（单类数据）学习支撑边界，而SVM则需要所有类别的数据。

3　 模型设计

本节详细介绍了CAN报文检测的系统工作流程以及模型中的两个重要组成部分，基于规则的过滤器与基于DBN的混合攻击检测模型（DGAO）。

3.1　系统模型

图3为本文提出的DGAO-IDS模型的结构图，主要分为数据预处理、模型训练以及模型测试三部分。在数据预处理阶段将初始的CAN报文进行简单的处理以方便后续模型训练与测试。数据预处理将在4.3节进行详细介绍。数据预处理后将其分为训练集和测试集。然后利用训练数据集分别对基于规则的过滤器和DGAO模型进行训练。DGAO模型利用了CAN总线报文的时序性。所以在模型测试时不能按序将每个模型依次送入过滤器检测后再送入预测模型检测，这样做会破坏CAN总线报文的时序性。故而在DGAO-IDS模型测试的时候是分别利用过滤器和DGAO模型对报文进行预测，然后利用过滤器算法的检测结果对DGAO模型的预测结果进行优化更新，具体描述如算法1所示。

3.2　基于规则的过滤器

CAN总线协议是一个基于消息的广播协议。每个CAN报文都有一个CAN ID。ECU根据总线上报文的CAN ID决定是否接收该报文。由于ID具有的特性，每个ID只能由一个ECU产生，一个ECU可以产生一个或多个ID。所以一辆车的CAN总线上所传输的CAN报文的ID范围是固定的，当收集的数据集充分大时，CAN总线上传输的正常报文的ID的集合便可以确定。若一个报文的ID不属于这个集合，则可以认定该报文是带攻击的异常报文。并且由于CAN总线上还存在一些ID与内容均固定的帧，如错误帧和帧间隔等。故当出现一个报文与其有着相同的ID，但数据段不同时则也可以认定该报文为带攻击的异常报文。本文按照上述思想构建了如算法2所描述的基于规则的过滤器算法。对于此过滤器而言，其只能对CAN报文进行初步的判别检测。后文实验部分也验证了该过滤器检测的假阳率为0，即不会增加后续检测模型的误差。

3.3　基于DBN的混合攻击检测模型（DGAO）

在CAN总线网络中，为了保持系统的一致性，即使某些ECU控制的硬件信息没有发生改变，ECU也会定期广播消息。这就使得CAN报文具有时序性。并且现存的算法大多只对带有单个攻击的数据集（例如HCRL数据集，DoS攻击数据集中只存在DoS攻击，Fuzzy攻击数据集中只存在模糊攻击）进行检测，而没有对混合攻击（在某段时间内采用不同类型的攻击无序地对CAN总线进行攻击）进行检测。但现实场景中的攻击都是随机的，可能会存在攻击者向被攻击车辆连续采用多种不同的攻击来达到目的的情况。

故本文提出一个基于DBN的混合攻击检测模型（DGAO），其详细结构如图4所示。该模型依次实现了深度信念网络、带注意力机制的GRU网络、Dropout网络以及OC-SVM网络。其中DBN用于从CAN总线的报文中提取基本的特征。然后利用一个带注意力机制的GRU网络学习CAN报文序列的时序特征。之后加一个Dropout层防止过拟合。最后将提取的特征送入最后的单分类支持向量机OC-SVM对正常报文的特征进行学习，得到一个单分类器。相比于普通的全连接层等二分类网络，OC-SVM能在CAN总线入侵检测这种数据集极度失衡的环境中取得更好的预测结果，使得该模型不仅能利用CAN报文时序性的特点，还能对混合攻击进行检测。

4　 实验及结果分析

这一节介绍了实验所采用的数据集、对比实验、评估实验结果所采用的性能参数、数据预处理方案以及实验的结果分析。

4.1　实验数据

HCRL数据集^[34]是黑客和反措施研究实验室（HCRL）提供的公开数据集。该数据集包含正常的CAN报文流量和受攻击的CAN总线报文流量。在正常的网络操作中，CAN总线上每个连接的节点都可以通过CAN总线传输信息，并被所有连接的节点接收。在攻击场景中，攻击者则是通过CAN总线注入异常信息，破坏汽车的正常运行。HCRL数据集提供了五种类型的数据，包括正常（无攻击，Attack-free）数据、DoS攻击数据、模糊（Fuzzy）攻击数据、齿轮（GEAR）攻击数据和转速表（RPM）攻击数据，这五种类型的数据在时间上不具有连续性。这些数据都是从真实的汽车上收集的。表1展示了数据集的详细信息。

MixAt数据集是在CAN总线仿真模拟环境下收集的数据。为了检验DGAO-IDS模型的功能，MixAt数据集只包含一个数据包，其数据类型如表2所示，该数据包记录了一个长达60 min的CAN总线运行（仿真环境）的数据。其中前35 min CAN总线是正常运行的，而后在CAN总线上找一个ECU充当受攻击节点，通过该ECU向正常运行的CAN总线中随机地发送一些恶意的攻击报文（例如DoS攻击报文和Fuzzy攻击报文）达到模拟混合攻击的效果。攻击报文是参考文献[23，27，35]的思想进行构造的。

4.2　对比模型及性能参数

采用以下模型与本文提出模型进行对比。

HyDL-IDS模型^[8]:一种混合的深度学习方案。

MD-LSTM模型^[26]:一种采用分布式LSTM的检测方案。

采用准确率（Accuracy）、假阳率（FPR）、精确度（Precision）三个指标评估和比较文中模型的性能。这些指标的计算公式如下：

\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{N}+\mathrm{F}\mathrm{P}}\times \mathrm{100}\mathrm{\%}（6）

\mathrm{F}\mathrm{P}\mathrm{R}=\frac{\mathrm{F}\mathrm{P}}{\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}}\times \mathrm{100}\mathrm{\%}（7）

\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times \mathrm{100}\mathrm{\%}（8）

其中，TP（真阳性）是指被归类为正常数据的数量；FN（假阴性）是指被归类为攻击数据的正常数据的数量；FP（假阳性）是归类为异常数据的攻击数据的数量；TN（真阴性）是被归类为攻击数据的攻击数据数量。

4.3　数据预处理

图5所示为HCRL数据集中Attack-free部分原始报文的截图。每条报文都有一个时间戳Timestamp代表其报文的发送时间。后续跟着报文的ID部分以及数据部分的长度DLC。最后的信息为报文的数据段，在CAN总线上传输时为64位的数字信号，在记录时将其按16进制转换为16位的模拟信号。

从图5可知，报文的数据段并不都是8字节，例如第二行ID为0x02b0的报文的数据段就是5个字节。为了方便后续网络模型的训练，需对其进行对齐处理，将空位补0或者补1，本文对其进行补0操作。补零过后还需按位将其由16进制转换为10进制,方便后续处理。

同时，DGAO模型使用注意力机制给一个特定大小窗口内的报文进行加权，使重要性高的报文进行时序特征提取时具有更高的权重。本文使用滑动窗口的形式对数据进行预处理，然后将其送入DGAO模型进行训练与测试。

4.4　实验结果分析

本节分别在HCRL数据集和MixAt数据集上将DGAO-IDS模型与HyDL-IDS和MD-LSTM模型进行了实验验证。为了验证DGAO-IDS模型中过滤器的效果，本文将单独用过滤器RE-FILTER进行检测来验证效果，并进行了消融实验。DGAO模型与DGAO-IDS模型的区别就是DGAO没有采用过滤器模型对检测结果进行更正。

对CAN总线报文窗口大小进行实验分析，其结果如图6所示。从图6中可以看出，在窗口大小为10时模型的损失值最低；当窗口大小的值大于10时，窗口越大，损失值越大。故本文选择10为后续实验中的窗口大小，步长设置为5。

DGAO-IDS模型与对比模型在HCRL数据集中的实验结果如表3所示。可以看出在DoS攻击与Fuzzy攻击中各模型的检测准确率都在99%以上，假阳率在0~0.04%之间，误报率极低，并且其精确度也较高。在GEAR攻击与RPM攻击中，所有对比算法准确率和精确度都有所下降，假阳率略微增加。这表明DoS攻击与Fuzzy攻击的攻击报文结构特殊，容易被识别。在DoS攻击与Fuzzy攻击中，DGAO-IDS模型的准确率比HyDL-IDS和MD-LSTM模型高0.01%~0.13%、假阳率低0.01%~0.03%、精确度高0.01%~0.56%；同时DGAO-IDS模型的准确与精确度均高于模型DGAO，假阳率小于等于DGAO。这表明DGAO-IDS模型中的过滤器算法提升了整个系统的检测性能。对于GEAR攻击和RPM攻击，由于其攻击报文和正常报文的结构与内容几乎没差别，只是发送的时间不同，故而对该类攻击的检测准确率与精确度均低于前两类攻击。在GEAR攻击和RPM攻击中，DGAO-IDS模型的准确率比HyDL-IDS和MD-LSTM模型高0.30%~0.86%、假阳率低0.08%~0.61%、精确度高0.26%~0.88%。对于模型DGAO与模型DGAO-IDS来说，由于在这两类攻击下过滤器检测的精确度为0，其没有识别出任何攻击报文。故过滤器算法没有对DGAO-IDS模型的检测效率造成影响，DGAO-IDS的检测结果与DGAO的精确度相同，但均高于HyDL-IDS和MD-LSTM模型。

为了对模型DGAO-IDS的性能进行检验，我们利用自构数据集MixAt检验其检测性能，表4展示了DGAO-IDS模型与HyDL-IDS和MD-LSTM模型的检测结果。DGAO-IDS模型在准确率上比HyDL-IDS和MD-LSTM模型分别高1.62%和3.18%，假阳率低0.70%和0.47%，精确度高6.55%和7.93%。由于数据集MixAt中含有三种不同类型的攻击，并且这三类攻击是随机出现在CAN总线上的,故而对于类似全连接层的普通分类网络来说学习攻击报文的异常特性的效果不佳，不如只对正常报文特性进行学习的OC-SVM。同时也由于MixAt数据集中同时包含多种攻击数据，所以各个模型检测的准确率与精确度也明显低于表3中的实验结果。此外，MixAt数据集中包含了DoS攻击与Fuzzy攻击，过滤器在此数据集下也能起到基础的过滤作用，对DGAO模型的检测结果进行更新。故而DGAO-IDS模型的检测结果优于未经过过滤器更新的模型DGAO的检测结果。

最后，在MixAt数据集上，对比了DGAO-IDS模型与对比模型的所有batch的平均训练时间与检测时间，其结果如表5所示，此处仅采用CPU进行训练和检测。其中对比模型HyDL-IDS和MD-LSTM的batch均为64，而DGAO与DGAO-IDS的batch为其窗口大小，值为10。为了方便对比，表5中DGAO与DGAO-IDS的值均被扩大了6.4倍。由于模型MD-LSTM采用的是分布式的训练，故而其模型训练所花的时间明显低于另外三个模型。同时本文提出的模型DGAO-IDS在训练时间以及检测时间上都是明显优于对比模型HyDL-IDS的。表5中也可以从看出DGAO与DGAO-IDS间的时间差距极小，几乎可以忽略。这也从侧面证明了模型DGAO-IDS中过滤器训练与检测的时间相较于整体模型来说影响不大，可以忽略。

5　 结 语

本文提出了一个基于规则的过滤器并基于该过滤器提出了一种用于车联网中CAN总线的入侵检测模型（DGAO-IDS）。DGAO-IDS模型不仅在使用无攻击的正常数据集进行训练时表现出优异的检测效果，在对混合攻击进行检测也表现出优异的检测效果。为验证模型的检测性能，本文分别在公开数据集HCRL和自构数据集MixAt上与基线模型进行了对比。实验结果显示DGAO-IDS模型在准确率、假阳率、精确度方面具有一定优势。同时，结果显示过滤算法也能起到基础的过滤作用，并且没有产生假阳数据，表明该过滤算法不会对后续的检测过程产生消极影响。

在未来的工作中，我们希望将文中的研究扩展到实车实验，探究现实场景中能耗，计算资源等实际因素对模型入侵检测性能的影响，进一步提高模型的实用性。

参考文献

[1] ZHOU H B， XU W C， CHEN J C， et al. Evolutionary V2X technologies toward the Internet of vehicles： Challenges and opportunities［J］. Proceedings of the IEEE， 2020， 108（2）： 308-323. DOI： 10.1109/JPROC.2019.2961937 .

[2] LEE T Y， KUO C W， LIN I A. High performance CAN/ FlexRay gateway design for in-vehicle network［C］//2017 IEEE Conference on Dependable and Secure Computing. New York： IEEE Press， 2017： 240-242. DOI： 10.1109/DESEC.2017.8073848 .

[3] LOKMAN S F， OTHMAN A T， ABU-BAKAR M H. Intrusion detection system for automotive Controller Area Network （CAN） bus system： A review［J］. EURASIP Journal on Wireless Communications and Networking， 2019， 2019（1）： 1-17. DOI： 10.1186/s13638-019-1484-3 .

[4] MILLER C， VALASEK C. Remote Exploitation of An Unaltered Passenger Vehicle［DB/OL］. ［2022-12-12］. DOI: 10.4324/9781315145891-7 .

[5] NIE S， LIU L， DU Y. Free-fall： Hacking Tesla from Wireless to Can Bus［DB/OL］. ［2022-12-16］.

[6] GREENBERG A. Hackers Can Steal a Tesla Model S in Seconds by Cloning Its Key Fob ［DB/OL］. ［2018-09-19］.

[7] WANG Q Y， SAWHNEY S. VeCure： A practical security framework to protect the CAN bus of vehicles［C］//2014 International Conference on the Internet of Things （IoT）. New York： IEEE Press， 2015： 13-18. DOI： 10.1109/IOT.2014.7030108 .

[8] LO W， ALQAHTANI H， THAKUR K， et al. A hybrid deep learning based intrusion detection system using spatial-temporal representation of in-vehicle network traffic［J］. Vehicular Communications， 2022， 35： 100471. DOI： 10.1016/j.vehcom.2022.100471 .

[9] SUN H， CHEN M M， WENG J， et al. Anomaly detection for in-vehicle network using CNN-LSTM with attention mechanism［J］. IEEE Transactions on Vehicular Technology， 2021， 70（10）： 10880-10893. DOI： 10.1109/TVT.2021.3106940 .

[10] DESTA A K， OHIRA S， ARAI I， et al. U-CAN： A convolutional neural network based intrusion detection for controller area networks［C］//2022 IEEE 46th Annual Computers， Software， and Applications Conference （COMPSAC）. New York： IEEE Press， 2022： 1481-1488. DOI： 10.1109/COMPSAC54236.2022.00235 .

[11] QIN H M， YAN M R， JI H J. Application of Controller Area Network （CAN） bus anomaly detection based on time series prediction［J］. Vehicular Communications， 2021， 27： 100291. DOI： 10.1016/j.vehcom.2020.100291 .

[12] WANG Q， LU Z J， QU G. An entropy analysis based intrusion detection system for controller area network in vehicles［C］//2018 31st IEEE International System-on-Chip Conference （SOCC）. New York： IEEE Press， 2019： 90-95. DOI： 10.1109/SOCC.2018.8618564 .

[13] JAVED A R， REHMAN S U， KHAN M U， et al. CANintelliIDS： Detecting in-vehicle intrusion attacks on a controller area network using CNN and attention-based GRU［J］. IEEE Transactions on Network Science and Engineering， 2021， 8（2）： 1456-1466. DOI： 10.1109/TNSE.2021.3059881 .

[14] HU R， WU Z Y， XU Y， et al. Multi-attack and multi-classification intrusion detection for vehicle-mounted networks based on mosaic-coded convolutional neural network［J］. Scientific Reports， 2022， 12： 6295. DOI： 10.1038/s41598-022-10200-4 .

[15] SCHÖLKOPF B， Williamson R， SMOLA A，et al. Support vector method for novelty detection ［DB/OL］ .［2022-12-30］ .DOI: 10.1162/089976600300015565 .

[16] OGUMA H， YOSHIOKA A， NISHIKAWA M， et al. New attestation based security architecture for in-vehicle communication［C］//IEEE GLOBECOM 2008 ― 2008 IEEE Global Telecommunications Conference. New York： IEEE Press， 2008： 1-6. DOI： 10.1109/GLOCOM.2008.ECP.369 .

[17] VAN HERREWEGE V， SINGELEE D， VERBAUWHEDE I. CANAuth ― A simple， backward compatible broadcast authentication protocol for CAN bus［DB/OL］. ［2011-12-02］.

[18] LIN C W， SANGIOVANNI-VINCENTELLI A. Cyber-security for the controller area network （CAN） communication protocol［C］//2012 International Conference on Cyber Security. New York： IEEE Press， 2013： 1-7. DOI： 10.1109/CyberSecurity.2012.7 .

[19] GROZA B， MURVAY S. Efficient protocols for secure broadcast in controller area networks［J］. IEEE Transactions on Industrial Informatics， 2013， 9（4）： 2034-2042. DOI： 10.1109/TII.2013.2239301 .

[20] SZILAGYI C， KOOPMAN P. Low cost multicast authentication via validity voting in time-triggered embedded control networks［C］//Proceedings of the 5th Workshop on Embedded Systems Security. New York： ACM， 2010： 1-10. DOI： 10.1145/1873548.1873558 .

[21] UEDA H， KURACHI R， TAKADA H， et al. Security authentication system for in-vehicle network［J］. SEI technical review， 2015， 81： 5-9.

[22] FARAG W A. CANTrack： Enhancing automotive CAN bus security using intuitive encryption algorithms［C］//2017 7th International Conference on Modeling， Simulation， and Applied Optimization （ICMSAO）. New York： IEEE Press， 2017： 1-5. DOI： 10.1109/ICMSAO.2017.7934878 .

[23] OTHMANE L BEN， DHULIPALA L， ABDELKHALEK M， et al. On the performance of detecting injection of fabricated messages into the CAN bus［J］. IEEE Transactions on Dependable and Secure Computing， 2022， 19（1）： 468-481. DOI： 10.1109/TDSC.2020.2990192 .

[24] OLUFOWOBI H， YOUNG C， ZAMBRENO J， et al. SAIDuCANT： Specification-based automotive intrusion detection using controller area network （CAN） timing［J］. IEEE Transactions on Vehicular Technology， 2020， 69（2）： 1484-1494. DOI： 10.1109/TVT.2019.2961344 .

[25] 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， 2016： 45-49. DOI: 10.1109/wcicss.2015.7420322 .

[26] ZHU K L， CHEN Z C， PENG Y Y， et al. Mobile edge assisted literal multi-dimensional anomaly detection of in-vehicle network using LSTM［J］. IEEE Transactions on Vehicular Technology， 2019， 68（5）： 4275-4284. DOI： 10.1109/TVT.2019.2907269 .

[27] LI X H， ZHANG H Y， MIAO Y B， et al. CAN bus messages abnormal detection using improved SVDD in Internet of vehicles［J］. IEEE Internet of Things Journal， 2022， 9（5）： 3359-3371. DOI： 10.1109/JIOT.2021.3098221 .

[28] CHENG P Z， XU K， LI S M， et al. TCAN-IDS： Intrusion detection system for Internet of vehicle using temporal convolutional attention network［J］. Symmetry， 2022， 14（2）： 310. DOI： 10.3390/sym14020310 .

[29] JEDH M， OTHMANE L BEN， AHMED N， et al. Detection of message injection attacks onto the CAN bus using similarities of successive messages-sequence graphs［J］. IEEE Transactions on Information Forensics and Security， 2021， 16： 4133-4146. DOI： 10.1109/TIFS.2021.3098162 .

[30] ISLAM R， DEVNATH M K， SAMAD M D， et al. GGNB： Graph-based Gaussian naive Bayes intrusion detection system for CAN bus［J］. Vehicular Communications， 2022， 33： 100442. DOI： 10.1016/j.vehcom.2021.100442 .

[31] REFAT R U D， ELKHAIL A A， MALIK H. A lightweight intrusion detection system for CAN protocol using neighborhood similarity［C］//2022 7th International Conference on Data Science and Machine Learning Applications （CDMA）. New York： IEEE Press， 2022： 121-126. DOI： 10.1109/CDMA54072.2022.00025 .

[32] 王功明， 乔俊飞， 关丽娜， 等. 深度信念网络研究现状与展望［J］. 自动化学报， 2021， 47（1）： 35-49. DOI： 10.16383/j.aas.c190102 .

[33] WANG G M， QIAO J F， GUAN L N， et al. Review and prospect on deep belief network［J］. Acta Automatica Sinica， 2021， 47（1）： 35-49. DOI： 10.16383/j.aas.c190102（Ch ）.

[34] 麻文刚， 张亚东， 郭进. 基于LSTM与改进残差网络优化的异常流量检测方法［J］. 通信学报， 2021， 42（5）： 23-40. DOI： 10.11959/j.issn.1000-436x.2021109 .

[35] MA W G， ZHANG Y D， GUO J. Abnormal traffic detection method based on LSTM and improved residual neural network optimization［J］. Journal on Communications， 2021， 42（5）： 23-40. DOI： 10.11959/j.issn.1000-436x.2021109（Ch ）.

[36] LEE H， JEONG S H， KIM H K. OTIDS： A novel intrusion detection system for in-vehicle network by using remote frame［C］//2017 15th Annual Conference on Privacy， Security and Trust （PST）. New York： IEEE Press， 2018： 57-66. DOI： 10.1109/PST.2017.00017 .

[37] KANG H， KWAK B， LEE Y H， et al. Car Hacking： Attack and Defense Challenge 2020 Dataset［DB/OL］. ［2022-02-03］.

基金资助

国家自然科学基金(U20A20177)

国家自然科学基金(62272348)

湖北省重点研发计划(2021BAA025)

中国高校产学研创新基金(2021FNA04004)

广东省人工智能与数字经济实验室开放研究基金(GML-KF-22-07)