基于深度學(xué)習(xí)的輕量級(jí)車載網(wǎng)絡(luò)入侵檢測(cè)方法

蔣玉長(zhǎng)，徐 洋，，李克資，秦慶凱，張思聰，

1.貴州師范大學(xué) 貴州省信息與計(jì)算科學(xué)重點(diǎn)實(shí)驗(yàn)室，貴陽(yáng)550001

2.貴州省公安廳-貴州師范大學(xué)大數(shù)據(jù)及網(wǎng)絡(luò)安全發(fā)展研究中心，貴陽(yáng)550001

近年來(lái)，汽車技術(shù)有了飛躍式的發(fā)展，隨著5G、工業(yè)2.0與移動(dòng)群智感知[1]的提出與推廣，特別是智能交通系統(tǒng)和自動(dòng)駕駛汽車的出現(xiàn)，汽車本體逐漸開(kāi)始承擔(dān)部分計(jì)算任務(wù)。2020 年7 月27 日由國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)、中共中央網(wǎng)絡(luò)安全和信息化委員會(huì)辦公室、國(guó)家發(fā)展和改革委員會(huì)、中華人民共和國(guó)科學(xué)技術(shù)部、中華人民共和國(guó)工業(yè)和信息化部聯(lián)合發(fā)布的《國(guó)家新一代人工智能標(biāo)準(zhǔn)體系建設(shè)指南》中關(guān)鍵內(nèi)容之一為“人工智能與車聯(lián)網(wǎng)的結(jié)合”。為了實(shí)現(xiàn)這一目標(biāo)，研究者進(jìn)行了大量研究，如車載網(wǎng)絡(luò)通信[2]、車輛資源優(yōu)化[3]、車輛隱私保護(hù)[4]等。隨著物聯(lián)網(wǎng)（Internet of things，IoT）的飛速發(fā)展，大量傳感器支持部署在車輛上并支持相互通信，人們把車間通信網(wǎng)絡(luò)稱為車聯(lián)網(wǎng)（Internet of vehicles，IoV）。如圖1，汽車內(nèi)部與外界網(wǎng)絡(luò)的信息互動(dòng)日益頻繁，多個(gè)接口支持人們通過(guò)遠(yuǎn)程連接（藍(lán)牙、5G、物聯(lián)網(wǎng)協(xié)議）和有線連接方法與車輛連接，但這種多元信息交流極易導(dǎo)致車載網(wǎng)絡(luò)（in-vehicle network，IVN）成為攻擊目標(biāo)。

圖1 攻擊架構(gòu)Fig.1 Attack architecture

目前控制器區(qū)域網(wǎng)絡(luò)（controller area network，CAN）總線是被廣泛用于車載網(wǎng)絡(luò)的通信標(biāo)準(zhǔn)，為電子控制單元（electronic control unit，ECU）之間提供有效、穩(wěn)定的信息溝通。但是CAN并沒(méi)有使用安全措施以保證網(wǎng)絡(luò)通信安全，如缺少認(rèn)證、明文傳輸?shù)萚5]。研究人員在遠(yuǎn)程控制汽車時(shí)利用CAN接收節(jié)點(diǎn)對(duì)源地址缺少認(rèn)證的漏洞實(shí)現(xiàn)攻擊，如通過(guò)偽造控制信息發(fā)送惡意指令破壞ECU，獲得對(duì)車輛的部分控制權(quán)，最終導(dǎo)致汽車設(shè)備如齒輪、剎車或發(fā)動(dòng)機(jī)故障等[6]。如圖1所示，攻擊者可以通過(guò)OBD-II 接口對(duì)IVN 發(fā)起內(nèi)部攻擊，如拒絕服務(wù)攻擊、數(shù)據(jù)包注入和欺騙攻擊等。

為車載網(wǎng)絡(luò)提供保護(hù)已成為目前亟待解決的問(wèn)題，常用方法是惡意行為檢測(cè)和入侵檢測(cè)，有基于簽名的方法、基于閾值的方法、基于參數(shù)檢測(cè)的方法以及基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法[7]。

D’Angelo 等人[8]提出了一個(gè)基于集群的學(xué)習(xí)算法（cluster-based learning algorithm，CLA）來(lái)檢測(cè)對(duì)車載網(wǎng)絡(luò)的四種類型攻擊，并使用無(wú)監(jiān)督學(xué)習(xí)在CAN ID提取特征，此外還提出了一個(gè)以數(shù)據(jù)為中心的異常檢測(cè)算法（data-driven anomaly detection algorithm，DADA），用于找出非法消息。雖然作者聲稱算法性能支持實(shí)時(shí)檢測(cè)攻擊，但并沒(méi)有做相關(guān)實(shí)驗(yàn)證明。Ghaleb 等人[9]提出了一種惡意行為感知協(xié)作入侵檢測(cè)系統(tǒng)（misbehavioraware on-demand collaborative intrusion detection system，MA-CIDS）。該系統(tǒng)使用分布式集成學(xué)習(xí)來(lái)提高模型的性能，并提出了一種有效的共享方案，以提高共享知識(shí)并減少通信開(kāi)銷，車輛按需使用與分類器性能測(cè)量相關(guān)的隨機(jī)森林算法共享本地訓(xùn)練的分類器，但實(shí)驗(yàn)使用數(shù)據(jù)集NSL-KDD模擬網(wǎng)絡(luò)流量，該數(shù)據(jù)集較舊，新型網(wǎng)絡(luò)攻擊無(wú)法識(shí)別。Tariq 等人[10]提出了一種基于遷移學(xué)習(xí)的CAN 協(xié)議入侵檢測(cè)方案CANTransfer，使用DoS攻擊訓(xùn)練卷積LSTM模型。然后，在一個(gè)新攻擊樣本上使用遷移學(xué)習(xí)訓(xùn)練即可檢測(cè)新型攻擊。同上，作者并沒(méi)有說(shuō)明此方法的檢測(cè)時(shí)間，另外該方法需要找到新型攻擊樣本才能應(yīng)用遷移學(xué)習(xí)，而目前領(lǐng)域數(shù)據(jù)集少，難以實(shí)現(xiàn)。Agrawal等人[11]提出了一種新型的閾值判別方法（novel anomaly detection system，NovelADS），使用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）處理數(shù)據(jù)為時(shí)間序列提取特征，通過(guò)正常序列和異常序列的標(biāo)準(zhǔn)分布差來(lái)確定閾值，最后在嵌入式開(kāi)發(fā)板上部署實(shí)現(xiàn)分類，但該方法只能支持二分類。Desta等人[12]提出了一種基于CNN的方法，在數(shù)據(jù)集Car-Hacking和自制數(shù)據(jù)集上將CAN 流量轉(zhuǎn)換為圖像，使用NVIDIA Jetson TX2對(duì)圖像分類，但多分類準(zhǔn)確率低，在Car-Hacking數(shù)據(jù)集上最低達(dá)到85%，自制數(shù)據(jù)集最低40%。

車載網(wǎng)絡(luò)入侵檢測(cè)要求低算力消耗和實(shí)時(shí)性，目前大多的解決方案并沒(méi)有在低算力平臺(tái)部署實(shí)驗(yàn)。此外，解決方案存在數(shù)據(jù)集舊、訓(xùn)練收斂時(shí)間長(zhǎng)、準(zhǔn)確率低、僅支持二分類、難以識(shí)別特定的惡意消息等問(wèn)題。

針對(duì)上述問(wèn)題，本文提出了一種基于優(yōu)化CNN 和遷移學(xué)習(xí)的輕量級(jí)車載網(wǎng)絡(luò)入侵檢測(cè)方法，并使用樹(shù)莓派部署在IVN的CAN總線上，用于檢測(cè)異常CAN信息并產(chǎn)生警報(bào)。首先提出了一種數(shù)據(jù)轉(zhuǎn)換方式，將車內(nèi)和車外網(wǎng)絡(luò)數(shù)據(jù)以基于時(shí)間的塊為單位進(jìn)行采集。接著通過(guò)維度變換將一維的攻擊數(shù)據(jù)轉(zhuǎn)換到二維空間，并將其可視化。然后，采用主流的卷積神經(jīng)網(wǎng)絡(luò)變體MobileNetV3[13]，結(jié)合現(xiàn)在有效的遷移學(xué)習(xí)方式，通過(guò)遷移大模型預(yù)訓(xùn)練權(quán)重對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)訓(xùn)練，以改善模型的多種性能指標(biāo)。最后，使用Car-Hacking[14]、OTIDS[15]兩個(gè)真實(shí)車載網(wǎng)絡(luò)數(shù)據(jù)集在樹(shù)莓派上實(shí)驗(yàn)，模擬真實(shí)環(huán)境下低算力平臺(tái)，驗(yàn)證本文方法的有效性。

1 本文方法

深度學(xué)習(xí)能自動(dòng)從原始數(shù)據(jù)中學(xué)習(xí)有用的特征，從而提高分類的準(zhǔn)確率。Lecun等[16]概括了機(jī)器學(xué)習(xí)的基本架構(gòu)，即特征提取模塊和分類模塊的組合。本文提出的基于遷移學(xué)習(xí)和CNN的輕量級(jí)深度入侵檢測(cè)方法也基于此基本架構(gòu)，如圖2所示，主要由兩個(gè)模塊組成：數(shù)據(jù)預(yù)處理模塊和基于遷移學(xué)習(xí)的深度卷積網(wǎng)絡(luò)模塊。

圖2 IVN入侵檢測(cè)方法框架Fig.2 IVN intrusion detection method architecture

入侵檢測(cè)流程如下：在IVN 中的CAN 總線上部署入侵檢測(cè)設(shè)備，車載網(wǎng)絡(luò)流量流入設(shè)備，經(jīng)過(guò)數(shù)據(jù)預(yù)處理后設(shè)備對(duì)流量進(jìn)行分類，對(duì)異常流量發(fā)出告警。

1.1 數(shù)據(jù)描述和預(yù)處理

1.1.1 數(shù)據(jù)描述

CAN總線是目前汽車中最常用的車內(nèi)通信網(wǎng)絡(luò)協(xié)議。它是一個(gè)基于總線拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò)，允許ECU（節(jié)點(diǎn)）發(fā)送和接收與控制轉(zhuǎn)向、轉(zhuǎn)速有關(guān)的各種信息。每個(gè)節(jié)點(diǎn)以預(yù)先定義的框架格式向整個(gè)系統(tǒng)廣播消息。CAN數(shù)據(jù)幀結(jié)構(gòu)如圖3所示。從左到右，圖中的字段依次是：幀的開(kāi)始（start of frame）、仲裁ID（arbitration ID）、控制字段（control field）、數(shù)據(jù)字段（payload）、循環(huán)冗余校驗(yàn)（CRC）、確認(rèn)字段（ACK）和幀的結(jié)束字段。

圖3 CAN幀格式Fig.3 Frame format of CAN

1.1.2 數(shù)據(jù)預(yù)處理

在對(duì)數(shù)據(jù)進(jìn)行處理中發(fā)現(xiàn)，大批量的數(shù)據(jù)流中會(huì)存在“臟數(shù)據(jù)”，即數(shù)據(jù)項(xiàng)缺失和數(shù)據(jù)項(xiàng)錯(cuò)誤移位的情況?？紤]到真實(shí)環(huán)境也可能會(huì)出現(xiàn)采集數(shù)據(jù)部分錯(cuò)誤問(wèn)題，為了不影響訓(xùn)練和測(cè)試結(jié)果，防止數(shù)據(jù)被污染，需要將數(shù)據(jù)刪除或更改。首先對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗。對(duì)于數(shù)據(jù)位置異常的原始樣本歸位并將遺漏數(shù)據(jù)全部置為0，刪除數(shù)據(jù)格式異常的原始樣本。

車載網(wǎng)絡(luò)入侵檢測(cè)必須快速且有效。鑒于CNN模型在圖像領(lǐng)域的優(yōu)越性，需要將入侵檢測(cè)問(wèn)題轉(zhuǎn)為圖像分類問(wèn)題，計(jì)劃將網(wǎng)絡(luò)流量數(shù)據(jù)的表格數(shù)據(jù)轉(zhuǎn)換為圖像。首先將表1的原始4個(gè)特征數(shù)據(jù)拆分并轉(zhuǎn)換為9個(gè)特征，拆分后結(jié)果如表2 和表3 所示。ID 是CAN 標(biāo)識(shí)符，CAN 數(shù)據(jù)包8 位Data 被分為8 列D0～D7，每列包含兩個(gè)十六進(jìn)制數(shù)值。將ID 與DATA 中的十六進(jìn)制轉(zhuǎn)換為十進(jìn)制數(shù)值，然后進(jìn)行數(shù)據(jù)歸一化。

表1 原始特征Table 1 Original features

表2 Car-Hacking數(shù)據(jù)集拆分后的特征Table 2 Split features of Car-Hacking dataset

表3 OTIDS數(shù)據(jù)集拆分后的特征Table 3 Split features of OTIDS dataset

數(shù)據(jù)歸一化后，根據(jù)網(wǎng)絡(luò)流量數(shù)據(jù)集的時(shí)間戳和特征大小將數(shù)據(jù)樣本轉(zhuǎn)換為數(shù)據(jù)塊。Car-Hacking和OTIDS數(shù)據(jù)集有9個(gè)重要特征（CAN ID和DATA[0]-DATA[7]），將27個(gè)連續(xù)樣本的9個(gè)特征（27×9=243個(gè)特征值）轉(zhuǎn)換為形狀為9×9×3的圖像（對(duì)比實(shí)驗(yàn)見(jiàn)第2.4.4小節(jié)）。因此，每個(gè)變換后的圖像都是一個(gè)方形的彩色圖像，有3個(gè)通道（紅、綠、藍(lán)）。由于圖像是根據(jù)數(shù)據(jù)樣本的時(shí)間戳生成的，可以保留原始網(wǎng)絡(luò)數(shù)據(jù)的時(shí)間序列相關(guān)性。

此外，由于流量數(shù)據(jù)維度較小，為減少模型可能發(fā)生的過(guò)擬合情況，采用雙線性插值法[17]將9×9×3的圖像擴(kuò)大到224×224×3，在轉(zhuǎn)換完畢后也可以將圖像直接輸入到下一步改進(jìn)的MobileNet中并進(jìn)行遷移學(xué)習(xí)。假設(shè)f(x,y)為要求得(x,y)數(shù)據(jù)點(diǎn)的像素值，已知f(Q11)、f(Q12)、f(Q21)、f(Q22)為(x1,y1)、(x1,y2)、(x2,y1)、(x2,y2)坐標(biāo)所對(duì)應(yīng)數(shù)據(jù)點(diǎn)的像素值。采用的線性插值具體如下：

首先從x軸方向先用關(guān)于x的單線性插值去分別計(jì)算f(x,y1)與f(x,y2)的像素值：

再使用關(guān)于y方向的單線性插值計(jì)算得到(x,y)數(shù)據(jù)點(diǎn)的像素值f(x,y)：

經(jīng)過(guò)以上的數(shù)據(jù)預(yù)處理過(guò)程，生成最終變換后的圖像集作為CNN模型的輸入。Car-Hacking數(shù)據(jù)集和OTIDS數(shù)據(jù)集中每種攻擊類型的代表性樣本如圖4所示。

圖4 維度變換后可視化Fig.4 Visualization after dimensional transformation

對(duì)于Car-Hacking數(shù)據(jù)集，從圖4（a）可以看出，正常樣本與不同攻擊類型之間的特征模式存在較大差異。模糊攻擊圖像的特征模式比普通圖像更隨機(jī)，而DoS攻擊樣本為高頻空消息，導(dǎo)致純黑模式。Gear 和RPM 欺騙攻擊是通過(guò)注入帶有特定CAN ID和數(shù)據(jù)包的消息來(lái)偽裝成合法用戶，因此他們的圖像也有特定的特征模式。同樣，OTIDS數(shù)據(jù)集的攻擊模式也可以根據(jù)圖4（b）所示的特征模式進(jìn)行明顯的區(qū)分，但是相比Car-Hacking數(shù)據(jù)集，OTIDS數(shù)據(jù)集所對(duì)應(yīng)的圖像類別之間相對(duì)難以區(qū)分，但仍可以觀察到類別之間存在區(qū)別。

1.2 基于遷移學(xué)習(xí)的MobileNet檢測(cè)模型

在將數(shù)據(jù)進(jìn)行處理并轉(zhuǎn)換為二維圖像之后，下一步將對(duì)分類模型進(jìn)行選取和訓(xùn)練。本文采用基于CNN的MobileNetV3 輕量級(jí)網(wǎng)絡(luò)對(duì)已處理好的數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)。MobileNet 系列深度學(xué)習(xí)模型[13，18-19]是由谷歌提出的輕量級(jí)網(wǎng)絡(luò)，目的是使得算力有限的移動(dòng)終端能夠搭載并執(zhí)行端到端的神經(jīng)網(wǎng)絡(luò)模型，目前MobileNet 網(wǎng)絡(luò)從V1更新到V3版本。

任宇杰等[20]在目標(biāo)檢測(cè)領(lǐng)域研究中，結(jié)合MobileNet和SSD 提出一種結(jié)合特征金字塔的多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使得模型在降低硬件需求的同時(shí)降低了識(shí)別時(shí)間。曾婭琴等人[21]使用可視化方法并結(jié)合MobileNetV2對(duì)惡意代碼進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明方法的識(shí)別率提升了2個(gè)百分點(diǎn)，并減少了對(duì)計(jì)算資源的消耗。

由于每個(gè)數(shù)據(jù)流的特征數(shù)相對(duì)少，而原始MobileNet網(wǎng)絡(luò)深度過(guò)大，易引起過(guò)擬合的問(wèn)題。為保證訓(xùn)練的穩(wěn)定性和可靠性，本文使用經(jīng)過(guò)改進(jìn)的MobileNetV3網(wǎng)絡(luò)對(duì)流量特征所轉(zhuǎn)換的三通道圖進(jìn)行訓(xùn)練，結(jié)合車載網(wǎng)絡(luò)場(chǎng)景特點(diǎn)，本文在原MobileNetV3模型的基礎(chǔ)上進(jìn)行部分調(diào)整，刪除在原始模型中部分Bottleneck層（詳見(jiàn)表4），保留了原模型的13 層。最終本文的MobileNet 的網(wǎng)絡(luò)結(jié)構(gòu)如表4和圖5所示。

表4 MobileNet網(wǎng)絡(luò)架構(gòu)細(xì)節(jié)Table 4 Details of MobileNet network architecture

圖5 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.5 Structure of neural network model

在表4 中，灰色字體的網(wǎng)絡(luò)模塊是被刪除的模塊，包括灰色字體的所有模塊為原始MobileNet V3中的架構(gòu)。

MobileNetV3 是在V2 的基礎(chǔ)上改進(jìn)而來(lái)，繼承V1的深度可分離卷積與V2 的具有線性瓶頸的殘差結(jié)構(gòu)，V3版本相較于V2版本，基礎(chǔ)塊Bottleneck中引入SE模塊，類比于注意力機(jī)制，目的是針對(duì)不同貢獻(xiàn)度的特征進(jìn)行加權(quán)操作，即擴(kuò)大相關(guān)性高的特征，減小相關(guān)性低的特征大小，因此可以提高模型對(duì)于任務(wù)的各項(xiàng)指標(biāo)。具體的Bottleneck模塊細(xì)節(jié)見(jiàn)圖6。

圖6 Bottleneck架構(gòu)Fig.6 Structure of Bottleneck

在圖6 中Dwise 表示深度可分離卷積操作，其基本思想是將通道間的相關(guān)性和空間相關(guān)性完全分離出來(lái)，以此減少計(jì)算量和參數(shù)量；NL表示非線性激活函數(shù)。

在模型確立之后，采用遷移學(xué)習(xí)對(duì)構(gòu)建好的網(wǎng)絡(luò)在本文數(shù)據(jù)集上進(jìn)行微調(diào)訓(xùn)練。對(duì)于深度學(xué)習(xí)模型，遷移學(xué)習(xí)是將在一個(gè)大數(shù)據(jù)集上訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型的權(quán)值遷移到另一個(gè)相對(duì)較小任務(wù)數(shù)據(jù)集的過(guò)程。在本文中，通過(guò)遷移MobileNetV3在ImageNet數(shù)據(jù)集上的預(yù)訓(xùn)練權(quán)重進(jìn)行微調(diào)，凍結(jié)（保留權(quán)重）本文模型的前11層，對(duì)最后兩層的權(quán)重進(jìn)行微調(diào)。這是因?yàn)镃NN 模型的底層學(xué)習(xí)到的特征模式通常是通用模式，適用于許多不同的任務(wù)，只有上層學(xué)習(xí)到的特征是特定數(shù)據(jù)集的特定特征。因此，CNN 模型的底層可以直接轉(zhuǎn)移到不同的任務(wù)。為了提高遷移學(xué)習(xí)的有效性，可以在深度學(xué)習(xí)（deep learning，DL）模型的遷移學(xué)習(xí)過(guò)程中進(jìn)行微調(diào)。在微調(diào)中，預(yù)訓(xùn)練模型的大多數(shù)層被凍結(jié)，而少數(shù)頂層被解凍，以在新的數(shù)據(jù)集上重新訓(xùn)練模型。微調(diào)能夠更新預(yù)訓(xùn)練模型中的高階特征，以更好地適合目標(biāo)任務(wù)或數(shù)據(jù)集[22]。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)使用Python3.7 中的Scikit-learn 和Pytorch 庫(kù)。在實(shí)驗(yàn)中，提出的DL模型在帶有AMD R5 5600X處理器、32 GB 內(nèi)存以及NVIDIA GeForce GTX 3060 顯卡的機(jī)器上訓(xùn)練，并在帶有Cortex-A72，64位CPU和8 GB內(nèi)存的樹(shù)莓派4B 機(jī)器上測(cè)試，分別代表一個(gè)車聯(lián)網(wǎng)中央服務(wù)器和一個(gè)車載級(jí)本地機(jī)器。

2.2 實(shí)驗(yàn)數(shù)據(jù)集

數(shù)據(jù)集選取韓國(guó)高麗大學(xué)HCRL 實(shí)驗(yàn)室的Car-Hacking數(shù)據(jù)集和OTIDS 數(shù)據(jù)集，由于采集源自真實(shí)環(huán)境，因此被廣泛用作模擬車載網(wǎng)絡(luò)數(shù)據(jù)入侵檢測(cè)研究。數(shù)據(jù)集作者采用定制的兩臺(tái)樹(shù)莓派在起亞SOUL 汽車上收集，一個(gè)用于信息入侵攻擊，另一個(gè)用于記錄CAN流量，捕獲的CAN 通信數(shù)據(jù)被作為數(shù)據(jù)集。Car-Hacking數(shù)據(jù)集包含四種攻擊類型：DoS 攻擊、Fuzzy 攻擊、齒輪（gear）欺騙和每分鐘轉(zhuǎn)數(shù)（RPM）欺騙攻擊。OTIDS 數(shù)據(jù)集包含三種類型攻擊：DoS攻擊、Fuzzy攻擊和Impersonation 攻擊。Car-Hacking 數(shù)據(jù)集和OTIDS 數(shù)據(jù)集攻擊數(shù)量分布如表5所示。

表5 攻擊數(shù)據(jù)組成Table 5 Attack data composition

2.3 評(píng)價(jià)指標(biāo)

數(shù)據(jù)集攻擊流量與正常數(shù)據(jù)不平衡，因此采用了多指標(biāo)進(jìn)行評(píng)估，分別是準(zhǔn)確率、精確度、召回率和F1-score。具體的計(jì)算方法如式（4）～（7）所示，公式中相關(guān)符號(hào)的含義如表6所示。

表6 混淆矩陣Table 6 Confusion matrix

此外，由于車輛通常計(jì)算性能較低，為了評(píng)估所提出方法的效率，更清晰地實(shí)現(xiàn)性能對(duì)比，本文還記錄和對(duì)比了訓(xùn)練時(shí)間（TrainTime）、在樹(shù)莓派上測(cè)試的時(shí)間（TestTime）、參數(shù)量（Params）。訓(xùn)練時(shí)間可以體現(xiàn)方法的收斂速度，測(cè)試時(shí)間可以體現(xiàn)方法的檢測(cè)效率，參數(shù)量可以體現(xiàn)方法使用的深度學(xué)習(xí)模型大小。

2.4 實(shí)驗(yàn)結(jié)果和分析

2.4.1 訓(xùn)練過(guò)程

深度學(xué)習(xí)模型過(guò)程中首先要在沒(méi)有任何先驗(yàn)知識(shí)的情況下對(duì)權(quán)重進(jìn)行隨機(jī)賦值，因此想要訓(xùn)練收斂需要非常大的數(shù)據(jù)量、時(shí)間和計(jì)算資源。為了提升訓(xùn)練的速度，同時(shí)保持訓(xùn)練的有效性，采用遷移學(xué)習(xí)方法。將在一個(gè)大數(shù)據(jù)集上訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型的權(quán)值遷移到另一個(gè)數(shù)據(jù)集，然后再進(jìn)行訓(xùn)練和微調(diào)以使得模型學(xué)習(xí)到新數(shù)據(jù)集的特征。

為了驗(yàn)證遷移學(xué)習(xí)在本文任務(wù)中的有效性，選取MobileNet 模型分別在Car-Hacking 和OTIDS 兩個(gè)數(shù)據(jù)集上進(jìn)行有無(wú)遷移學(xué)習(xí)的訓(xùn)練損失和準(zhǔn)確率對(duì)比，得到圖7和圖8。

圖7 針對(duì)Car-Hacking數(shù)據(jù)集訓(xùn)練對(duì)比結(jié)果Fig.7 Training comparison results against Car-Hacking dataset

圖8 針對(duì)OTIDS數(shù)據(jù)集訓(xùn)練對(duì)比結(jié)果Fig.8 Training comparison results against OTIDS dataset

通過(guò)圖7 和圖8 可以看出，使用預(yù)訓(xùn)練權(quán)重的模型訓(xùn)練過(guò)程需要更短的時(shí)間就可以收斂，而在效果基本一致的前提下，不使用遷移學(xué)習(xí)的訓(xùn)練工程需要更多的時(shí)間才能訓(xùn)練收斂。這驗(yàn)證了遷移學(xué)習(xí)對(duì)于本文任務(wù)的有效性。因此，在實(shí)驗(yàn)部分所有模型的訓(xùn)練都是采用遷移學(xué)習(xí)進(jìn)行訓(xùn)練。

2.4.2 深度學(xué)習(xí)模型對(duì)比

在基于遷移學(xué)習(xí)的卷積模型的選取上，本文目的是在保證一定檢測(cè)效率的基礎(chǔ)上進(jìn)行輕量化，以適應(yīng)在類似樹(shù)莓派這種低算力場(chǎng)景下的實(shí)時(shí)檢測(cè)任務(wù)。

為此，本文在數(shù)據(jù)預(yù)處理的前提下，選取兩類主流的模型：一類是復(fù)雜化的網(wǎng)絡(luò)模型，如EfficientNet[23]、ResNet[24]和VisionTransformer[25]；二是輕量化模型，如MobileNetV3（簡(jiǎn)稱MobileNet）和ShuffleNetV2[26（]簡(jiǎn)稱ShuffleNet）。選取模型后分別針對(duì)本文任務(wù)所對(duì)應(yīng)的兩個(gè)數(shù)據(jù)集進(jìn)行模型的訓(xùn)練和測(cè)試，最終測(cè)試結(jié)果見(jiàn)表7和表8。

表7 針對(duì)Car-Hacking數(shù)據(jù)集測(cè)試結(jié)果Table 7 Test comparison results against Car-Hacking dataset

表8 針對(duì)OTIDS數(shù)據(jù)集測(cè)試結(jié)果Table 8 Test comparison results against OTIDS dataset

在表7和表8中Acc、P、R、F1-score和TestTime分別是在樹(shù)莓派設(shè)備上對(duì)測(cè)試集進(jìn)行實(shí)驗(yàn)得出的準(zhǔn)確率、精確率、召回率、F1 值和一個(gè)樣本的測(cè)試時(shí)間；TrainTime是在有GPU加持的PC機(jī)上進(jìn)行訓(xùn)練需要的時(shí)間；Params是卷積核的參數(shù)量，用來(lái)形容模型的大小程度。

通過(guò)表7和表8可以看出，在Car-Hacking和OTIDS兩個(gè)數(shù)據(jù)集上不同模型訓(xùn)練和測(cè)試結(jié)果的總體趨勢(shì)是，復(fù)雜模型的檢測(cè)效果是更優(yōu)且穩(wěn)定的，這是因?yàn)閺?fù)雜模型的網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)更復(fù)雜，導(dǎo)致模型擁有更復(fù)雜的擬合能力；但由于復(fù)雜模型Params過(guò)多，從而導(dǎo)致復(fù)雜模型的測(cè)試時(shí)間相比輕量化模型更長(zhǎng)。Params越低的網(wǎng)絡(luò)，保存模型所需的內(nèi)存小，對(duì)硬件內(nèi)存要求較低，因此對(duì)低算力設(shè)備更友好。綜合5 個(gè)模型來(lái)看，MobileNet 的Params接近最低值2.28×106。

結(jié)合表7及圖4（a）可以分析得出，因?yàn)镃ar-Hacking數(shù)據(jù)集類別之間耦合性差，所以測(cè)試的5個(gè)模型都可以達(dá)到100%的檢測(cè)效果。但在訓(xùn)練時(shí)間上，MobileNet相比于復(fù)雜模型ResNet-18、EfficientNet 以及VisionTransformer分別減少了40%、74%和93%。相比ShuffleNet也減少了14%。同樣在測(cè)試時(shí)間上，MobileNet測(cè)試一個(gè)樣本的平均時(shí)間只需要2.5 ms，相比ShuffleNet減少了46%的檢測(cè)時(shí)間，且相比復(fù)雜模型中速度最快的ResNet-18更是減少了71%的時(shí)間，這得益于MobileNet與ResNet-18相比，Params減少了67%。

結(jié)合表8和圖4（b）可以看出，因?yàn)镺TIDS數(shù)據(jù)集類別之間相對(duì)難以區(qū)分，所以在測(cè)試的5 個(gè)模型中，復(fù)雜模型的檢測(cè)效果可以達(dá)到100%，輕量級(jí)模型達(dá)到99%以上。這是由于輕量化模型相比復(fù)雜模型減少了隱藏層數(shù)和多余的層連接，以此提升模型的處理速度。通過(guò)表8可以看出，兩個(gè)輕量級(jí)模型ShuffleNet和MobileNet得益于Params的減少，在滿足99%以上的檢測(cè)效果的前提下相比于復(fù)雜模型中檢測(cè)效果更快的ResNet-18模型分別降低了32%和59%的測(cè)試時(shí)間，提升了檢測(cè)效率。

車輛入侵檢測(cè)系統(tǒng)通常對(duì)實(shí)時(shí)性的要求為，針對(duì)每個(gè)數(shù)據(jù)包的檢測(cè)要低于10 ms[27]，即入侵檢測(cè)系統(tǒng)需要在10 ms 以下的時(shí)間做出判斷和響應(yīng)。本文方法的檢測(cè)時(shí)間低于3 ms，因此本文提出的輕量級(jí)車載網(wǎng)絡(luò)入侵檢測(cè)方法能夠滿足實(shí)時(shí)檢測(cè)的需要。

2.4.3 不同方法效果對(duì)比

在對(duì)本文方法的可行性進(jìn)行實(shí)驗(yàn)驗(yàn)證和分析之后，為了驗(yàn)證本文方法相對(duì)于其他方法的效果，本小節(jié)分別在Car-Hacking和OTIDS兩個(gè)數(shù)據(jù)集下選取部分有代表性的論文方法進(jìn)行對(duì)比實(shí)驗(yàn)，具體實(shí)驗(yàn)結(jié)果見(jiàn)表9和表10，其中最高性能值用粗體字標(biāo)出。

表9 Car-Hacking數(shù)據(jù)集上模型的性能評(píng)估Table 9 Performance evaluation of models on Car-Hacking dataset

表10 OTIDS數(shù)據(jù)集上模型的性能評(píng)估Table 10 Performance evaluation of models on OTIDS dataset

通過(guò)表9 和表10 可以看出，與其他方法相比，本文基于遷移學(xué)習(xí)和MobileNet的方法都取得了最好的成績(jī)，兩個(gè)測(cè)試集上訓(xùn)練和測(cè)試都取得了100%的檢測(cè)效果，在保證性能指標(biāo)的前提下，減少了訓(xùn)練時(shí)間和測(cè)試時(shí)間，能夠更好地應(yīng)用到車載網(wǎng)絡(luò)移動(dòng)實(shí)時(shí)入侵檢測(cè)場(chǎng)景。

在表9 中，所有模型都達(dá)到了99%以上的檢測(cè)效果，這主要是因?yàn)镃ar-Hacking 數(shù)據(jù)集中正常模式和攻擊通過(guò)圖3 可以明顯區(qū)分，對(duì)比DCNN[14]、LSTM[14]、ConfidenceAveraging[28]、NovelADS[11]，本文所提出的方法對(duì)比顯示出最好性能，其中提議方法訓(xùn)練時(shí)間對(duì)比同樣使用遷移學(xué)習(xí)的ConfidenceAveraging 方法時(shí)間減少了70%，測(cè)試時(shí)間減少了0.2 ms。對(duì)比使用閾值分類方法（NovelADS）訓(xùn)練時(shí)間減少了85%，測(cè)試時(shí)間減少了47%。

對(duì)于表10 中OTIDS 數(shù)據(jù)集，本文方法比OTIDS 基于時(shí)間的方法的測(cè)試指標(biāo)P、R、F1-score 都有提升，其中R提升了足足有28.32個(gè)百分點(diǎn)。本文還分別對(duì)比了最新方法CANintelliIDS[29]和CANTransfer[10]，在P、R、F1-score分別有6.21個(gè)百分點(diǎn)、6.31個(gè)百分點(diǎn)、6.09個(gè)百分點(diǎn)和5.07 個(gè)百分點(diǎn)、4.43 個(gè)百分點(diǎn)、4.75 個(gè)百分點(diǎn)的明顯性能增益。遺憾的是，這些方法并沒(méi)有提供訓(xùn)練和測(cè)試時(shí)間，因此無(wú)法作對(duì)比，但是本文方法每個(gè)流量包只需要2.9 ms，已經(jīng)能夠滿足實(shí)時(shí)檢測(cè)的需要。

2.4.4 不同輸入大小對(duì)比

輸入大小是指將Car-Hacking和OTIDS數(shù)據(jù)集中連續(xù)樣本轉(zhuǎn)換為圖像的單位。從數(shù)據(jù)集中提取的9 個(gè)重要特征（CAN ID 和DATA[0]～DATA[7]）按輸入大小分組，并把它們轉(zhuǎn)為圖像。為了驗(yàn)證最佳輸入大小，分別測(cè)試了9、18、27、54 的連續(xù)輸入樣本大小，即圖片輸入模型大小分別為3×9×3、6×9×3、9×9×3、18×9×3，使用MobileNet 作為訓(xùn)練和測(cè)試方法，使用準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，最終實(shí)驗(yàn)結(jié)果見(jiàn)圖9。

圖9 針對(duì)輸入大小MobileNet的準(zhǔn)確率Fig.9 Accuracy of MobileNet according to input size

圖9實(shí)驗(yàn)結(jié)果顯示，在Car-Hacking數(shù)據(jù)集中，在18個(gè)樣本輸入大小之前，準(zhǔn)確率一直提升直到100%，后面持續(xù)穩(wěn)定在100%的準(zhǔn)確率。而在OTIDS 數(shù)據(jù)集中，在27個(gè)樣本輸入大小之前，準(zhǔn)確率一直提升直到69%，但之后有下降的趨勢(shì)。不難看出，27個(gè)樣本輸入在車載網(wǎng)絡(luò)中更加具有普適性。因此本文將樣本輸入大小選擇為27。

此外，考慮到數(shù)據(jù)圖像進(jìn)行插值處理，可能對(duì)性能存在影響，在對(duì)比中選擇ResNet、EfficientNet、ShuffleNet、MobileNet 模型進(jìn)行非插值實(shí)驗(yàn)，使用9×9×3 圖片輸入指定模型訓(xùn)練測(cè)試，與插值后的224×224×3圖片進(jìn)行性能對(duì)比。Car-Hacking數(shù)據(jù)集與OTIDS數(shù)據(jù)集實(shí)驗(yàn)結(jié)果分別見(jiàn)圖10、圖11。

圖10 Car-Hacking數(shù)據(jù)集插值對(duì)比Fig.10 Interpolation comparison on Car-Hacking dataset

通過(guò)圖10、圖11 可以看出，在Car-Hacking 數(shù)據(jù)集中，無(wú)論是插值還是非插值圖片輸入，都能表現(xiàn)出100%準(zhǔn)確率；而在OTIDS數(shù)據(jù)集非插值對(duì)比中，ResNet達(dá)到了最高準(zhǔn)確率84%，這得益于ResNet 的Params 較高，對(duì)復(fù)雜圖片擁有更好的擬合能力；對(duì)于測(cè)試時(shí)間，除了EfficentNet模型較高外，其他模型都達(dá)到了10 ms以下，符合車載網(wǎng)絡(luò)入侵檢測(cè)實(shí)時(shí)性要求，且MobileNet 模型的測(cè)試時(shí)間無(wú)論是插值前的2.9 ms還是插值后的2.7 ms，與其他模型相比都是最低測(cè)試時(shí)間。綜合來(lái)看，所有模型測(cè)試時(shí)間在插值前和插值后都相差不大，但是插值后準(zhǔn)確率得到了明顯提升。這是由于輸入圖片的尺寸越大，Backbone所提取的特征信息也越精確。

3 結(jié)束語(yǔ)

由于協(xié)議缺乏認(rèn)證和其他基本安全功能，廣泛使用的CAN協(xié)議使得汽車容易受到安全攻擊。本文結(jié)合流量可視化方法和輕量級(jí)的MobileNet 模型，提出一種輕量級(jí)車載網(wǎng)絡(luò)入侵檢測(cè)方法。通過(guò)將數(shù)據(jù)轉(zhuǎn)換為二維圖像并通過(guò)插值法進(jìn)行維度擴(kuò)大，之后對(duì)MobileNet 模型進(jìn)行架構(gòu)調(diào)整以進(jìn)一步適應(yīng)本文任務(wù)，同時(shí)提升檢測(cè)效率。最后，通過(guò)遷移學(xué)習(xí)方式對(duì)模型進(jìn)行訓(xùn)練，以加快訓(xùn)練速度并提升檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明，采用基于MobileNet 的網(wǎng)絡(luò)模型可以大幅減少訓(xùn)練和測(cè)試時(shí)間。本文方法解決了不支持低算力平臺(tái)部署、實(shí)時(shí)性檢測(cè)、數(shù)據(jù)集舊、訓(xùn)練收斂時(shí)間長(zhǎng)、準(zhǔn)確率低等問(wèn)題。下一步將考慮在真實(shí)場(chǎng)景下進(jìn)行測(cè)試，并面向?qū)崟r(shí)流檢測(cè)進(jìn)行探索研究。