基于TSABiNet的车载CAN总线异常检测模型
叶海龙1
王涛2
陈慧1
王建彬3
刘雪山3
1.安徽理工大学 计算机科学与工程学院,安徽 淮南 2320012.滁州学院 人工智能学院(应急管理学院),安徽 滁州 2390003.安徽大学 计算机科学与技术学院,合肥 230039
摘要：针对车载控制器局域网络(controller area network,CAN)缺乏身份认证和加密机制导致的安全漏洞问题,提出了基于时空注意力双流网络(temporal-spatial attention bi-stream network,TSABiNet)的CAN总线异常检测模型.该模型采用并行双流架构:首先,内容流通过嵌入层和一维卷积神经网络(convolutional neural network,CNN)提取CAN消息的语义特征;然后,时序流基于双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络和自注意力机制对消息序列的时序依赖关系进行建模;最后,交叉注意力融合(cross attention fusion,CAF)模块通过交叉注意力机制实现内容特征与时序特征的自适应权重分配和深度融合.在汽车黑客攻击数据集(car-hacking dataset,CHD)上进行验证,结果表明,在拒绝服务(denial of service,DoS)攻击上,TSABiNet模型的 F1 分数相比深度 CNN、基于LSTM自编码器的 CAN 总线异常检测(CAN anomaly detection using LSTM autoencoder,CANnolo)模型分别提升了5.40、2.48 个百分点.该研究验证了TSABiNet模型在CAN总线异常检测中的有效性.
关键词：CAN总线安全异常检测深度学习双流网络注意力机制时空特征融合
分类号：TP391(计算技术、计算机技术)
资助基金：安徽省重点研究与开发计划项目(2023g07020007)安徽省高校自然科学研究项目(2024AH051426)
论文发表日期：2025-12-30
在线出版日期：2025-12-10（本平台首次上网日期，不代表文献的发表时间）
页数：6( 546-551 )
英文信息