王理冬

（1.安徽省電子產品監(jiān)督檢驗所，安徽 合肥 230061；2.安徽省信息安全測評中心，安徽 合肥 230061）

0 引言

近年來，隨著車聯(lián)網技術的飛速發(fā)展，現(xiàn)代汽車已經由傳統(tǒng)的人工控制向網絡控制的方向邁進。車聯(lián)網的概念源自物聯(lián)網，即車輛物聯(lián)網，在這種模式下，車輛充當了信息感知對象的角色，借助新一代的信息通信技術，實現(xiàn)了車輛內部設備之間、車輛與車輛、車輛與人以及車輛與平臺之間的網絡連接。文中討論的車載網絡，指由車載控制單元組成的局域通信網絡，主要用于車內網絡。

針對車載網絡，大量的學者進行了研究，涉及了如車載網絡通信[1]、車輛隱私保護[2]等方面。然而，隨著車載網絡的連接性和可及性不斷地提高，導致目前車載網絡的受攻擊面越來越廣，網絡數(shù)據可以通過多種途徑進入車載網絡內部，因此車輛會面臨大量外來數(shù)據入侵的威脅。如果缺乏基本的安全措施，網絡攻擊者能輕易地對這些車載網絡發(fā)起攻擊并導致系統(tǒng)崩潰。為車載網絡提供保護已成為目前亟待解決的問題。

1 背景介紹

生成對抗網絡是一種深度學習模型，由生成器和判別器兩個組件組成，在實際的應用中，生成器和判別器可以有多個。生成對抗網絡的目標在于通過訓練生成器和判別器之間的對抗博弈來生成具有逼真度的數(shù)據樣本[3]。

首先，生成器通過神經網絡模型學習真實數(shù)據的分布，生成虛假數(shù)據；然后判別器學習真數(shù)據和假數(shù)據的分布，對數(shù)據進行判別，并將反饋傳遞給生成器，激勵生成器生成的數(shù)據更接近真實數(shù)據。生成對抗網絡的核心思想是通過兩個相互對抗的模型之間的競爭，交替訓練生成器和判別器，逐漸提升生成器生成樣本的逼真度，使其盡可能地與真實數(shù)據相似，同時讓判別器更加準確地區(qū)分真假樣本。

車載網絡是汽車內部傳感器、控制器和執(zhí)行器之間進行點對點信號傳遞從而形成復雜的網狀結構。控制器區(qū)域網（Controller Area Network,CAN）總線作為車載網絡中的標準總線，被廣泛用于車載網絡的通信，支持所有電子控制單元(Electronic Control Unit,ECU)之間的高效通信。

入侵檢測系統(tǒng)(Intrusion Detection System,IDS)用于對網絡上的數(shù)據流進行收集，并分析其中的信息，以檢測網絡中是否存在違背安全策略和進行攻擊的流量，為系統(tǒng)提供實時有效的保護。它可以實時監(jiān)控車內系統(tǒng)，實時檢測ECU 產生的可疑網絡事件[4]。當前IDS 已經成為許多專家學者研究的熱點。Song 等人提出了一種基于CAN 數(shù)據時間間隔分析的檢測模型，Lee 等人提出了一種通過監(jiān)測CAN 數(shù)據的請求和響應的時間間隔來檢測入侵的方法。

2 系統(tǒng)總體方案設計

本系統(tǒng)可應用于容易受到攻擊的車載網絡中，對車載網絡接收的流量進行分析，識別出惡意流量。由于本系統(tǒng)部署在輕量級的設備上，所占用的車內體積極小，也可以直接集成在資源有所剩余的車載網絡當中，從而大大節(jié)省車輛空間和成本。

CAN 總線支持電子控制單元之間的通信。在CAN 總線中，消息頻繁傳輸，CAN 總線每秒大約接受2000 個CAN 數(shù)據，入侵檢測系統(tǒng)必須能夠處理由電子控制單元生成的大量實時CAN 數(shù)據。因此，將連續(xù)27 個CAN 數(shù)據合成一張彩色圖，用于快速檢測數(shù)據。

首先，把正常的數(shù)據和惡意的數(shù)據一起放入判別器D1 進行判別，以區(qū)分惡意數(shù)據和正常數(shù)據，然后把隨機的數(shù)據放入生成器中，生成假的數(shù)據，判別器D2 只接收正常的數(shù)據和生成的數(shù)據。通過不斷的訓練，可以得到性能良好的判別器，以用于車載網絡的攻擊檢測。其框架流程如圖1 所示。

圖1 框架流程圖

本系統(tǒng)還融入了深度學習技術。GAN 是一種深度學習模型，通常被用來生成與真實圖像相似的假圖像，將其應用于設計IDS。對車載網絡的攻擊檢測過程如圖2 所示。

圖2 檢測過程圖

其中，判別器D1 的輸入是CAN 數(shù)據，用來檢測已知攻擊，若輸出結果小于閾值則認為存在已知的惡意數(shù)據；若輸出結果不小于閾值，則放入判別器D2 中檢測未知攻擊，如果判別器D2 的輸出結果小于閾值，則認為存在未知的惡意數(shù)據，不小于閾值則認為數(shù)據正常。一般將判別器D1 和判別器D2的閾值定義為0.1。

3 實現(xiàn)技術

原始數(shù)據集選用韓國HCRL 實驗室的Car-Hacking 數(shù)據集，其中既包含文本文件，也包含表格文本。為了方便觀察，統(tǒng)一把文本文件轉換成表格文件，在對表格文件觀察時，發(fā)現(xiàn)數(shù)據中存在一些“臟數(shù)據”，即一些十六進制數(shù)據位置發(fā)生了移位，同時，還有一些數(shù)據存在空值，通過使用python中的pandas 擴展程序庫，對數(shù)據位置異常的原始樣本進行歸位，但有些數(shù)據中某幾項為空值，從而導致了數(shù)據的格式異常，刪除格式異常的數(shù)據樣本。形成如表1 所示的干凈數(shù)據集。

表1 干凈數(shù)據集

其中，Label 為0，代表的是正常的數(shù)據；Label為1，代表的是每分鐘轉數(shù)（RPM）欺騙攻擊；Label為2，代表的是齒輪（Gear）欺騙攻擊；Label 為3，代表的是拒絕服務（Dos）攻擊；Label 為4，代表的是模糊（Fuzzy）攻擊。

每分鐘轉數(shù)欺騙攻擊是通過干擾車輛的車速傳感器和控制系統(tǒng)來誤導或欺騙車輛的計算機系統(tǒng)，使其錯誤地顯示或記錄轉速信息。齒輪欺騙攻擊是通過欺騙車輛或機械設備的傳動系統(tǒng)，誤導其顯示或傳輸錯誤的齒輪信息。拒絕服務攻擊是通過不斷向目標服務器或網絡發(fā)送大量請求或惡意數(shù)據流量，耗盡其資源，導致系統(tǒng)過載或崩潰，從而使合法用戶無法訪問該系統(tǒng)或網絡。模糊攻擊通常用于發(fā)現(xiàn)軟件或系統(tǒng)中潛在的漏洞和錯誤。

由于卷積神經網絡在圖像分類上具有突出的優(yōu)勢，因此把原始數(shù)據集轉化為圖像數(shù)據，利用卷積神經網絡進行數(shù)據處理。首先，將表1 中ID 和Data 數(shù)據（D0～D7）轉換成9 個重要特征，然后把重要特征中的十六進制數(shù)據轉換為十進制數(shù)據，最后對數(shù)據進行歸一化，結果如表2 所示。

表2 歸一化后的數(shù)據集

數(shù)據歸一化后，根據干凈數(shù)據集中的Timestamp（時間戳）和特征大小，將數(shù)據樣本轉換為塊狀。由于歸一化后的數(shù)據有9 個重要的特征，為了將數(shù)據樣本轉換為塊狀數(shù)據，就選取27 個連續(xù)時間戳的樣本（27×9=9×9×3），轉換成形狀大小為9×9×3 的方形彩色圖像。因此，每個轉換后的圖像是一個具有三通道（紅、綠、藍）的方形彩色圖像。由于這些彩色圖像是根據連續(xù)的時間戳生成的數(shù)據樣本，因此能夠保留數(shù)據的時序完整性。

在把CSV 文件進行處理并轉換成RGB 圖像后，下一步將對生成對抗網絡進行設計和訓練。判別器由三層的卷積神經網絡組成，生成器由五層的反卷積神經網絡組成，將圖片數(shù)據通過反卷積減少通道數(shù)、擴展維數(shù)，使得與判別器的輸入數(shù)據大小相同，從而形成一幅圖像。生成器和判別器通過反向傳播計算損失，從而減少模型實際值和輸出之間的誤差。

判別器D1 接收從車輛中提取的正常CAN 圖像和異常CAN 圖像。判別器D1 在訓練過程中使用了已知的攻擊數(shù)據，所以只能對已知的攻擊進行檢測。生成器和判別器D2 通過一個對抗博弈的過程進行訓練，生成器通過使用隨機噪聲來生成假圖像，判別器D2 接收正常的CAN 圖像和生成器生成的圖像，并計算接收到的圖像是真實CAN 圖像的概率。也就是說，判別器D2 鑒別輸入的圖像是真實的CAN 圖像還是由生成器生成的假圖像。生成器和判別器D2 相互競爭，提高了它們的性能。在訓練的過程中，判別器D2 最終取勝，因此判別器D2 可以檢測到與真實CAN 圖像相似的假圖像。

4 實驗結果

由于數(shù)據集中存在攻擊數(shù)據和正常數(shù)據，因此對公式中相關符號的定義如表3 所示。

表3 相關符號的定義

對準確率、精準度和召回率的具體計算方法作如下定義。

公式（1）中Accuracy 是模型的準確率，如果模型能把攻擊流量和正常流量準確識別，那么模型準確率為100%。

公式（2）中Precison 是模型的精準度，如果模型不把正常流量識別為攻擊流量，那么模型的精準度為100%。

公式（3）中Recall 是模型的召回率，如果模型能識別所有的攻擊流量，那么模型的召回率為100%。

首先，我們測試了判別器D1 的性能。根據表4 中判別器D1 對每個已知攻擊的精準度分析，判別器D1對使用的攻擊數(shù)據表現(xiàn)出了很好的檢測能力。然而，實驗結果也表明，未用于訓練的攻擊數(shù)據很難被判別器D1 檢測出來，例如“Fuzzy”行與“RPM精準度”列交叉處代表的是用Fuzzy數(shù)據訓練的判別器D1 對RPM攻擊檢測的精準度為32.6%。因此，我們使用正常數(shù)據和生成的數(shù)據訓練了判別器D2。這樣，判別器D2將能夠更好地應對未知攻擊數(shù)據的檢測需求。

表4 判別器D1 的性能

其次，我們通過準確率、精準度和召回率對判別器D2 進行性能評估。評估情況如表5 所示。

表5 判別器D2 的性能

判別器D2 在訓練過程中沒有使用任何攻擊數(shù)據。實驗結果表明，判別器D2 對四種攻擊的平均準確率為98%。雖然精準度低于99%，但我們可以通過將判別器D2 與使用攻擊數(shù)據進行訓練的判別器D1 相結合，來提高模型的精準度。

5 結束語

當前的研究與實踐中，將生成對抗網絡應用于入侵檢測系統(tǒng)的方法并不多見，文章提出的技術路線，為構建入侵檢測系統(tǒng)提供了新的思路?？紤]到車載網絡的實際情況，我們選擇在資源量較少的樹莓派中運行，以更好地符合實際工況。在某些特殊情況下，也可以直接把體積較小的樹莓派植入汽車系統(tǒng)，集成在車載網絡中，以確保入侵檢測系統(tǒng)的有效部署。