基于深度学习的车载网络入侵检测研究

简介

针对日益严峻的车载网络安全问题,提出一种基于卷积神经网络(CNN)的车载网络入侵检测模型。针对车载网络流量数据的特点,首先通过引入GAF编码将车载网络一维时间序列数据转换为二维矩阵,再转换为图片作为CNN网络的输入;为提高CNN网络性能,选择VGG网络作为主干网络,并对VGG网络的损失函数、隐藏层激活函数、分类器、权值初始化等进行优化;最后在通用的DoS攻击数据集和Fuzzy攻击数据集上进行仿真验证。仿真结果表明,所提GAF编码+VGG网络的入侵检测模型可实现汽车CAN总线的DoS攻击和Fuzzy攻击检测,整体检测准确率达到99%以上,且相较于Reduced Inception-Resnet网络入侵检测模型,所构建的入侵检测模型在F1值等指标上更有优势。