基于DBN与带注意力机制GRU的CAN总线入侵检测模型 |
| |
作者姓名: | 毛智超 吴黎兵 马亚军 张壮壮 刘芹 马超 |
| |
作者单位: | 1. 武汉大学国家网络安全学院;2. 广东省人工智能与数字经济实验室 |
| |
基金项目: | 国家自然科学基金(U20A20177、62272348); |
| |
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%。
|
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 |
|