تشخیص حملات در شبکه های خودرویی خودران با استفاده از یادگیری عمیق

وسایل نقلیه مدرن، ازجمله وسایل نقلیه خودران و وسایل نقلیه متصل، به طور فزاینده ای به محیط خارج از خود متصل می شوند و از این طریق عملکردها و خدمات مختلفی را ارائه می کنند. افزایش اتصال پذیری باعث افزایش حملات اینترنتی به وسایل نقلیه خودران گردیده است و درنتیجه، باعث آسیب پذیری این وسایل در برابر تهدیدات سایبری شده است. به دلیل ضعف و یا عدم وجود رویه های احراز هویت و رمزگذاری در شبکه های خودرو، استفاده از سیستم های تشخیص نفوذ یکی از روش های ضروری برای محافظت از سیستم خودروهای مدرن در برابر حملات سایبری است. در این مقاله، یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق با استفاده از تشخیص تصاویر برای سیستم های وسایل نقلیه پیشنهادشده است. همچنین، از تکنیک تبدیل بردار ویژگی ها به تصاویر برای بهینه سازی تشخیص استفاده شده است. سیستم تشخیص نفوذ پیشنهادی با استفاده از تکنیک یادگیری گروهی مبتنی بر میانگین بهینه شده است. در آزمایش ها، روش پیشنهادی بیش از ۹۹.۲۵ درصد نرخ تشخیص و به همین مقدار معیار F۱ را در دو مجموعه داده امنیتی استاندارد شامل مجموعه داده های Car-Hacking و مجموعه داده CICIDS۲۰۱۷ نشان داده است. همچنین، زمان اجرای روش بر روی تجهیزات اینترنت اشیاء اندازه گیری شده است که نشان دهنده قابلیت اجرای روش پیشنهادی است.

کلیدواژه ها:

وسایل نقلیه خودران ، تشخیص نفوذ ، یادگیری عمیق ، شبکه عصبی ، یادگیری گروهی ، اینترنت اشیاء