基于特征提取与分类的车载网络注入攻击检测
北京信息科技大学现代测控技术教育部重点实验室
引用信息：Ji, H., Wang, L., Qin, H. et al.: In-Vehicle Network Injection Attacks Detection Based on Feature Selection and Classification. Automot. Innov. 7, 138–149 (2024). https://doi.org/10.1007/s42154-023-00273-w
全文速览
针对车载网络中恶意信息注入攻击频发的问题，研究团队提出一种基于统计特征与优化卷积神经网络（CNN）的异常行为检测算法。该方法通过多类型车载总线数据特征分析与仿真实验验证，显著提升对多种典型注入攻击的检测精度，并有效降低漏报率，为智能网联汽车网络安全提供高性能检测方案。
研究亮点
1. 优化CNN检测架构：结合车载总线数据特征与分类器性能评估指标（FPR、TPR、P、R、ACC），设计最优卷积神经网络模型，为车载入侵检测策略提供技术支撑。
2. 引入汉明距离特征：创新性地将两数据包间的汉明距离作为输入特征，提出Ham-CNN增强算法，显著提升对隐蔽性强、难以识别的异常数据的检测能力。
3. 基于时间戳的分类方法：提取数据包时间戳作为训练特征，融合原始数据构建分类模型，有效缓解传统方法在识别模式简单变化数据时假阴性率高的问题。
图表展示
Fig. 1 车载CAN总线异常数据样本库构建流程图
Fig. 2 基于二进制域的车载网络异常数据分类算法ROC曲线
based on binary field
Fig. 3 基于十进制域的车载网络异常数据分类算法ROC曲线
based on decimal field
Fig. 4 CNN与Ham-CNN分类算法ROC对比图
and the Ham-CNN classification algorithm
Fig. 5 两种CNN算法在不同训练集比例下的最佳检测准确率比较
under different training set ratios
Fig. 6 基于二进制数据的车载CAN网络难识别异常数据分类测试结果
Fig.7 基于时间戳与二进制的CAN总线难识别异常数据检测效果
研究成果
本研究系统分析了车载网络异常检测技术路径，提出一种融合特征选择与深度学习分类的注入攻击检测方法，核心成果包括：
- Ham-CNN算法性能优越：通过对比7种主流分类算法，验证引入汉明距离特征的Ham-CNN在检测精度、召回率等关键指标上表现最优，满足高安全性车载环境需求。
- 时间戳特征提升检测鲁棒性：将数据包时间戳转化为模型输入特征，显著增强对低变异异常行为的识别能力，相较RF、KNN等传统方法检测性能更优。
作者团队简介
王立勇，北京信息科技大学教授，博士生导师，研究方向为智能汽车与机电系统健康监测。
秦洪懋，湖南大学机械与运载工程学院副教授，研究方向涵盖驾驶行为建模、车联网协同系统及汽车网络安全。
王颖会，北京航空航天大学在读博士，研究方向包括区块链、车载网络安全与威胁情报。
张俊杰，北京航空航天大学合肥创新研究院副教授，专注于驾驶行为分析、交通流建模与车辆队列控制。
陈彪，北京航空航天大学在读博士，研究方向为车载网络安全与物联网安全。