自動運転車への攻撃：サイバーセキュリティのための深層学習アルゴリズム

急速な技術革新により、自動車産業は大きく変化しました。ネットワーク通信が改善され、完全に機械的に制御された技術からソフトウェア制御技術への移行を助けています。自動運転車ネットワークは、コントローラーエリアネットワーク（CAN）バスプロトコルによって制御されています。それにもかかわらず、自動運転車ネットワークは、データやトラフィックの挙動の複雑さから、CANバスへの不正侵入やさまざまなタイプの攻撃に対してサイバーセキュリティの問題や弱点があります。したがって、CAN内のメッセージ攻撃を迅速に検出するシステムの開発は最も大きな課題の1つです。本研究では、サイバー脅威から車両ネットワークを保護する人工知能アプローチを用いた高性能システムを提案します。このシステムは、深層学習アプローチを使用して自動運転車を侵入から保護します。提案されたセキュリティシステムは、スプーフィング、フラッド、リプレイ攻撃、善良なパケットを含む実際の自動車ネットワークデータセットを使用して検証されました。前処理が適用され、カテゴリデータを数値に変換しました。このデータセットは、畳み込みニューラルネットワーク（CNN）とCNNと長短期記憶（CNN-LSTM）モデルを組み合わせたハイブリッドネットワークを使用して処理され、攻撃メッセージを特定しました。結果は、モデルが精度、再現率、F1スコア、および正確性のメトリックによって評価された高いパフォーマンスを達成したことを示しました。提案されたシステムは高い正確性（97.30％）を達成しました。実証実験に加えて、提案されたシステムは、既存のシステムと比較して検出および分類精度を向上させ、リアルタイムCANバスセキュリティに対して優れたパフォーマンスを示しました。