AI-Driven Intrusion Detection Systems (IDS) on the ROAD dataset: A Comparative Analysis for automotive Controller Area Network (CAN)

要約

最新の車両へのデジタル デバイスの統合により、自動車技術に革命が起こり、安全性と全体的な運転体験が向上しました。
コントローラー エリア ネットワーク (CAN) バスは、電子制御ユニット (ECU) 間の車内通信を管理するための中央システムです。
しかし、CAN プロトコルには、暗号化と認証がないという固有の脆弱性によりセキュリティ上の課題があり、攻撃対象領域の拡大と相まって、堅牢なセキュリティ対策が必要となります。
この課題に対応して、多数の侵入検知システム (IDS) が開発され、導入されてきました。
それにもかかわらず、そのような IDS の有効性をテストするためのオープンで包括的で現実的なデータセットは、既存の文献には依然として存在しません。
このペーパーでは、ステルスで洗練されたインジェクションを含む最新の ROAD データセットを考慮することで、このギャップに対処します。
この方法論には、データセットのラベル付け、最先端の深層学習モデルと従来の機械学習モデルの両方の実装が含まれており、文献で最も一般的に使用されているデータセットと、より現実的な代替である ROAD データセットの間のパフォーマンスの差異を示します。

要約(オリジナル)

The integration of digital devices in modern vehicles has revolutionized automotive technology, enhancing safety and the overall driving experience. The Controller Area Network (CAN) bus is a central system for managing in-vehicle communication between the electronic control units (ECUs). However, the CAN protocol poses security challenges due to inherent vulnerabilities, lacking encryption and authentication, which, combined with an expanding attack surface, necessitates robust security measures. In response to this challenge, numerous Intrusion Detection Systems (IDS) have been developed and deployed. Nonetheless, an open, comprehensive, and realistic dataset to test the effectiveness of such IDSs remains absent in the existing literature. This paper addresses this gap by considering the latest ROAD dataset, containing stealthy and sophisticated injections. The methodology involves dataset labelling and the implementation of both state-of-the-art deep learning models and traditional machine learning models to show the discrepancy in performance between the datasets most commonly used in the literature and the ROAD dataset, a more realistic alternative.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google