基于DBN与带注意力机制GRU的CAN总线入侵检测模型

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DGAOIDS。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%。