基于多任务学习的控制器局域网入侵检测方法

在车载网络上的入侵检测需要高准确率，许多论文对此已有报道，但也需要计算效率以适应现实世界场景。与此同时满足这两个要求变得越来越困难，特别是攻击类型多样化时。一种利用计算成本的方法是使用滑动窗口，即批处理，这样可以在多个帧之间扩展检测，但多任务学习的使用同样有利，因为共享了多个层以提取共同的相关特征。虽然确实最大的计算收益来自滑动窗口的使用，但多任务学习同样有益，实际上是必要的，因为多种攻击类型可以在同一个窗口中共存。我们在三个现有的攻击数据集上探讨这种方法的优势，同时构建自己的数据集，以增加攻击的复杂性，从而能具体测量多任务学习在检测率和计算节省方面的好处。我们的方法考虑了提取自两者之间互信息的攻击类型和合法帧之间的特征级相似性，并在多个帧的窗口中扩展检测，这为多任务学习提供了依据，因为不同类别的帧可以共存于同一窗口中。