Deep Learning-based Embedded Intrusion Detection System for Automotive CAN

要約

車載エレクトロニクスの複雑さの高まりにより、自動運転やアクティブセーフティなどの新しい機能が可能になっています。
ただし、自動化の増加により、セキュリティ上の脅威のリスクも増加します。CAN などのレガシー ネットワークにはセキュリティ対策が組み込まれていないため、攻撃者がそのようなブロードキャスト ネットワーク上で共有される情報を監視、改ざん、変更できるようになり、リスクがさらに悪化します。
このような脅威を検出して対処するために、さまざまな侵入検出アプローチが提案されており、機械学習モデルが非常に効果的であることが証明されています。
ただし、機械学習モデルを展開するには、ライン レートに近い速度で実行するために、ハイエンド プロセッサまたは GPU による高い処理能力が必要になります。
このペーパーでは、ディープ CNN 侵入検知モデルを実装する専用の既製ハードウェア アクセラレータを通じて IDS 機能を透過的に統合できる、ハイブリッド FPGA ベースの ECU アプローチを提案します。
私たちの結果は、GPU での IDS 実装と比較して、提案されたアプローチが、複数の攻撃データセット全体で 99% 以上の平均精度を実現し、誤検出率 0.64% を実現しながら、消費エネルギーを 94% 削減し、メッセージあたりの処理レイテンシーの 51.8% 削減を達成することを示しています。

要約(オリジナル)

Rising complexity of in-vehicle electronics is enabling new capabilities like autonomous driving and active safety. However, rising automation also increases risk of security threats which is compounded by lack of in-built security measures in legacy networks like CAN, allowing attackers to observe, tamper and modify information shared over such broadcast networks. Various intrusion detection approaches have been proposed to detect and tackle such threats, with machine learning models proving highly effective. However, deploying machine learning models will require high processing power through high-end processors or GPUs to perform them close to line rate. In this paper, we propose a hybrid FPGA-based ECU approach that can transparently integrate IDS functionality through a dedicated off-the-shelf hardware accelerator that implements a deep-CNN intrusion detection model. Our results show that the proposed approach provides an average accuracy of over 99% across multiple attack datasets with 0.64% false detection rates while consuming 94% less energy and achieving 51.8% reduction in per-message processing latency when compared to IDS implementations on GPUs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google