logo móvil
Contáctanos

Detección de anomalías de capa de aplicación aprovechando la semántica física de series temporales en redes de vehículos CAN-FD

Autores: Zhao, Rui; Luo, Cheng; Gao, Fei; Gao, Zhenhai; Li, Longyi; Zhang, Dong; Yang, Wengang

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

Detección de anomalías de capa de aplicación aprovechando la semántica física de series temporales en redes de vehículos CAN-FD


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Red de área de controlador
Tasa de datos flexible
Detección de anomalías mejorada semánticamente física
Redes can-fd
Memoria a largo plazo
Detección de anomalías

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 46

Citaciones: Sin citaciones


Descripción
La red Controller Area Network con Flexible Data-Rate (CAN-FD) es la predominante en el protocolo de red de vehículos, responsable de transmitir señales semánticas de aplicación crucial. Debido a la ausencia de medidas de seguridad, CAN-FD es vulnerable a numerosas amenazas cibernéticas, especialmente aquellas que alteran sus valores físicos auténticos. Este documento presenta la Detección de Anomalías Mejorada con Semántica Física (PSEAD) para redes CAN-FD. Nuestro marco extrae y estandariza de manera efectiva las características genuinas de significado físico presentes en los campos de datos del mensaje. La implementación implica una red de Memoria a Corto y Largo Plazo (LSTM) aumentada con un mecanismo de autoatención, lo que permite la captura no supervisada de información temporal dentro de datos de alta dimensionalidad. En consecuencia, este enfoque explota completamente la información contextual dentro de las características de significado físico. En contraste con el método de detección de combinación de trama completa sin conciencia de semántica física, nuestro enfoque es más hábil para aprovechar el significado físico inherente en cada segmento del mensaje. Esta mejora resulta en una mejor precisión e interpretabilidad de la detección de anomalías. Los resultados experimentales demuestran que nuestro método logra una tasa de clasificación errónea de apenas 0.64% para ataques de reproducción difíciles de detectar y cero clasificaciones erróneas para ataques de denegación de servicio, fuzzing y spoofing. La precisión ha sido mejorada en más del 4% en comparación con los métodos existentes que se basan en la caracterización de campos de datos a nivel de byte en la capa de enlace de datos.

Otros recursos que podrían interesarte

Temas Virtualpro