CN113428167B - 一种ecu异常识别方法 - Google Patents
一种ecu异常识别方法 Download PDFInfo
- Publication number
- CN113428167B CN113428167B CN202110978223.5A CN202110978223A CN113428167B CN 113428167 B CN113428167 B CN 113428167B CN 202110978223 A CN202110978223 A CN 202110978223A CN 113428167 B CN113428167 B CN 113428167B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- ecu
- layer
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0037—Mathematical models of vehicle sub-units
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Small-Scale Networks (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种ECU异常识别方法,在充分研究CAN总线协议通信机制的基础上,基于FPGA的高速采集处理能力,最大程度地提高采样速率和特征计算速率,结合人工神经网络的优势,针对CAN总线时序特征数据设计了基于注意力机制的Enhanced LSTM神经网络模型,用于识别车载ECU工作状态,具有稳定可靠的性能。
Description
技术领域
本发明属于车载安全领域,尤其涉及一种ECU异常识别方法。
背景技术
随着自动驾驶技术的不断发展,汽车内部的电子控制单元(ECU)和联网通信设备越来越繁多复杂,高档轿车上的ECU可能高达上百个,车载联网方式包括WiFi、2G、3G、4G、5G等等。现代汽车功能的日益复杂性和联网特性,使得汽车的安全性受到极大的挑战。
任何产业在网络化的发展过程中都会面临信息安全问题,车联网的发展也不例外。随着智能网联汽车的不断涌现,恶意攻击、非法控制、隐私泄露等威胁也日益增加,此外,自动驾驶辅助***和新一代电子信息技术在汽车上的应用,使得汽车越来越智能化,可以很大程度上保障行车安全,但与此同时,这些智能辅助功能一旦在某种状况下突然失效或出现异常,将严重威胁行车安全。汽车联网使攻击者有机会通过各种有线或无线方式接入车载网络,获取车辆信息甚至远程控制车辆。无论是何种攻击形式,攻击者最终的目标都是车载CAN总线,通过发送恶意帧数据的方式,实现攻击目的,所以CAN总线安全成为车联网安全最后也是最重要的一道防线,研究CAN总线安全技术对整个车联网安全有着非常重要的意义。
一般的,CAN总线安全防护手段一般来说可以分成两种,一种是基于加密和认证的防护手段,另一种是基于入侵检测的防护手段。基于加密和认证的防护手段主要是对帧数据和ECU进行认证或者使用安全密钥对消息进行加密处理,由于CAN数据帧格式的有效载荷位数只有64位,加密势必会增加CAN总线的网络负载负担,导致通信效率降低,而且加密手段升级需要对现有固件进行升级。基于入侵检测的防护手段是通过分析帧的物理特征、统计学特征等建立一个检测模型。这种方法的特点是不会增加CAN总线的通信负担,但是其检测速度受限于采样速率和特征提取。目前大部分的入侵识别***依然是基于统计学特征建立的检测模型,在检测精度上很难满足现代智能网联汽车对安全性的需求。
传统的异常识别***大多是基于数据帧数据报内容检测ECU的状态,这种方法无法识别ECU窃听、伪造攻击,同时其需要在上位机中解析数据,计算处理过程存在一定的延时;而基于入侵检测的防护手段是从物理层面出发,能够从物理层提取出相关特征,并进行特征学习,然而随着车载ECU数量的增加,复杂性也随之增大,一般的机器学习模型无法获得较高的检测精度。
CAN ID通常是车辆通过电子控制单元(ECU)的信息自动生成,因此本发明采用电子控制单元(ECU)的信息与CAN ID的关联实现ECU异常的识别,提高了检测效率和精度。
发明内容
为解决上述问题,本发明公开了一种ECU异常识别方法。
为实现上述目的,本发明的技术方案为:
一种ECU异常识别方法,包括如下步骤:
步骤一、得到车载ECU特征的多维时序数据,具体步骤如下:
S1:将CAN总线的两根差分数据线,通过接线端子接入ADC数据采集电路模块,所述ADC数据采集电路模块在FPGA上;
S2:所述FPGA通过有线通信协议与ADC数据采集模块之间进行数据传输,获取ADC采样数据,通过ADC波形数据时序帧ID解析和波形物理特征提取,得到CAN ID和提取特征;CAN ID和提取特征形成车载ECU指纹特征的多维时序数据;
S3:将所述ECU指纹特征的多维时序数据发送至上位机;
步骤二、得到用于车载CAN总线异常检测***的异常判断逻辑的身份识别模型,具体步骤如下:
L1:将所述的ECU指纹特征的多维时序数据输入到Enhanced LSTM 神经网络模型中;
L2:所述ECU指纹特征的多维时序数据在Enhanced LSTM神经网络模型中进行编码和解码,完成ECU指纹特征的多维时序数据的识别,得到ECU指纹特征识别结果。
进一步的改进,所述的Enhanced LSTM神经网络模型按顺序分为输入层、隐藏层和输出层。
进一步的改进,所述的Enhanced LSTM神经网络模型包括编码阶段和解码阶段,所述编码阶段是对输入的多维时序数据特征利用Enhanced LSTM模型的注意力机制来计算各自的权重,提取最相关的特征,编码过程如下:
a.当给定的多维时序数据集(X,y):
b.输入的数据首先经过Enhanced LSTM的模型注意力机制的编码层,假设在t时刻对第q个输入特征进行编码,编码过程如下:
其中表示的是编码阶段输出层的参数矩阵、表示的是( 编
码阶段中间隐藏层的权重参数矩阵、表示的是编码阶段中间隐藏层的偏斜参数矩阵、表示在时刻t隐藏状态向量与输入的多维时序数据的第q个特征的相似度、 表示
的是t时刻输入样本数据的第q个特征、 表示的是t-1时刻的隐藏单元状态、表示
的是t-1时刻的记忆单元状态、()表示的是双曲正切激活函数;
e.对传统的LSTM模型进行改造,将所有堆叠的LSTM隐藏层的状态进行组合,得到Enhanced LSTM模型,t-1时刻的隐藏单元状态如式:
f.同样地得到t-1时刻的记忆单元状态如式:
g.将编码后的数据作为Enhanced LSTM神经网络模型的内部Enhanced LSTM单元输入,如下式:
i.再根据在t时刻,解码层单个输出特征的相似性与解码层所有特征的相似性计算得到权重比:
进一步的改进,所述的波形物理特征包括波形采样的均值、波形采样的标准差、波形采样的协方差、波形采样的上升斜率、波形采样的峰度、波形采样的均方根差、波形采样的最大值、波形采样的最小值、波形采样的能量。
进一步的改进,所述ECU特征的多维时序数据通过串口传输的方式上传至上位机。
本发明优点如下:
本发明在充分研究CAN总线协议通信机制的基础上,基于FPGA的高速采集处理能力,最大程度地提高采样速率和特征计算速率,结合人工神经网络的优势,针对CAN总线时序特征数据设计了基于注意力机制的Enhanced LSTM神经网络模型,用于识别车载ECU工作状态,具有稳定可靠的性能。
附图说明
图1为本发明的车载CAN总线攻击模型;
图2为本发明的数据帧特征提取算法思路框架;
图3为本发明的ECU异常检测算法框架图;
图4为Enhanced LSTM结构图;
图5为预测模型的编码阶段过程图。
具体实施方式
以下结合附图及实施例对本发明做进一步说明。
实施例1:
如图1所示的车载CAN总线攻击模型,车内网关连接CAN总线子网络和其它的车载通信网络,ECU 2和 ECU 3是正常工作状态下的ECU,ECU 1为异常ECU,可以是外部入侵ECU或被恶意攻击者持有控制,能够向总线发送异常帧,实现窃听、伪装、重放、伪造等攻击。由于CAN总线上的数据传输具有广播特性且没有任何加密和认证机制,同一CAN子网能够挂载的ECU能够接收到信道上所有的数据帧,发送的数据帧也无法有效验证发送者的身份信息,这使得被挟持的ECU 1可以窃听并伪装成其他正常的ECU发送数据信息,实施重放攻击。另外,CAN 总线的仲裁机制是高优先级的帧率先发送,如果ECU 1持续发送高优先级的信息,就会阻塞信道。
检测的原理:车载ECU作为独立的模块,通常具有独立的时钟域和CAN收发器,其电路结构也大不相同,时钟电路以及由于电路产生的不同程度的串扰特性使得其发送至CAN总线上的数据帧具有独特的指纹特征。通过检测ECU所发送的数据帧物理指纹特征,作为ECU的身份识别ID。
首先通过神经网络训练识别CAN总线原有车载ECU的物理指纹特征,将其与数据帧中的ID一一对应,当有外部ECU入侵时,其物理指纹特征将无法识别,会被判断为异常ECU,当有内部ECU被挟持并实施攻击时,其物理指纹特征将无法与其ID相匹配,也会被识别为异常ECU。利用上述方法,可以有效避免由于CAN总线上外部ECU入侵或内部ECU被挟持而导致的一系列攻击行为。
如图2所示的数据帧特征提取算法思路框架,CAN总线通信协议包括两根数据线,其信号为差分信号,通过接线端子将差分数据线接入14位高速ADC数据采集电路模块,FPGA通过有线通信协议与ADC数据采集模块之间进行数据传输,获取ADC采样数据,FPGA内部通过ADC波形数据时序帧ID解析和波形物理特征提取,提取的特征如下表1所示。每一帧数据都具有CAN ID标识符,将CAN ID 与提取的特征进行打包,通过串口传输的方式发送至上位机,作为下一步物理指纹特征识别的基础。
表1 特征及其描述
如图3所示的ECU异常检测算法框架图,PC上位机接收FPGA端采集并处理的数据包,得到车载ECU指纹特征的时序数据,由于每一帧数据提取了9个特征,数据具有多维特性,针对时序数据的特点,设计一个基于注意力机制的Enhanced LSTM神经网络模型进行特征识别,利用注意力机制可以区分不同维度的数据对预测结果的权重比,而LSTM(长短时记忆网络)模型具有记忆单元,适合处理具有长时间效应的时序数据,对于CAN数据帧来说,其波形物理特征收到硬件电路的积分效应影响,在时间上具有相关性,因此特别适合使用LSTM模型进行处理,有研究表明,在提升模型的学习能力中,LSTM网络的深度比存储单元的数量更为重要,因此本文设计的基于注意力机制的Enhanced LSTM神经网络模型特别适合用于多维时序数据的特征识别异常分类。
如图4所示的Enhanced LSTM 结构,它是由多个基本的 LSTM 组成,它与StackedLSTM 结构有所不同,Enhanced LSTM 结构是将每层 LSTM 单元在某一时刻的隐藏单元状态和记忆状态都绑定在一起,这样不仅可以充分利用当前层的隐藏单元状态信息和记忆状态信息,同时也将当前层之外的所有层的隐藏单元状态信息和记忆状态信息作为辅助输入信息,提高模型网络对时序数据的预测能力。
如图5所示的预测模型的编码阶段,本文提出的基于注意力机制的 EnhancedLSTM 神经网络模型主要由两部分组成,分别为编码阶段和解码阶段,每个阶段都是以本文提出的 Enhanced LSTM 作为基本的编码器和解码器。如图5所示为预测模型的编码阶段,编码阶段主要是对输入的多维时序数据特征利用注意力机制来计算各自的权重,从而来提取最相关的特征;解码阶段主要是对编码阶段产生的隐藏层不同单元进行注意力权重分配,来提取最相关的隐藏单元。主要过程为:
在编码过程中,假设给定多维时序数据集(X,y):
接下来,输入数据首先会经过注意力机制的编码层,假设在t时刻对第q个输入特征进行编码,编码过程如式:
根据上述方法,可以得到所有特征在时刻t的注意力权重如式:
在得到输入的多维时序数据每个特征的权重之后,将原始数据与对应的权重进行相乘,从而得到在时刻t经过编码后的输入数据如式:
本文对传统的LSTM模型进行改造,将所有堆叠的LSTM隐藏层的状态进行组合,得到t-1时刻的隐藏单元状态如式:
其中m为LSTM隐藏层的数量。
同样地也能得到t-1时刻的记忆单元状态如式:
在解码阶段中,使用Enhanced LSTM模型的输出作为解码层的输入,和编码阶段思想类似,首先需要计算隐藏单元状态在时刻t的相似性,如式:
其中p为Enhanced LSTM的输出层神经单元数目。
再根据单个维度的相似性与所有维度的相似性计算得到权重比:
最后,通过使用全连接层得到在时刻t的最终输出值,如式:
以上过程就是本文提出的基于注意力机制的Enhanced LSTM 神经网络模型异常识别的整个过程。
尽管本发明的实施方案已公开如上,但并不仅仅限于说明书和实施方案中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里所示。
Claims (5)
1.一种ECU异常识别方法,其特征在于,包括如下步骤:
步骤一、得到车载ECU特征的多维时序数据,具体步骤如下:
S1:将CAN总线的两根差分数据线,通过接线端子接入ADC数据采集电路模块,所述ADC数据采集电路模块在FPGA上;
S2:所述FPGA通过有线通信协议与ADC数据采集模块之间进行数据传输,获取ADC采样数据,通过ADC波形数据时序帧ID解析和波形物理特征提取,得到CAN ID和提取特征;CANID和提取特征形成车载ECU指纹特征的多维时序数据;
S3:将所述ECU指纹特征的多维时序数据发送至上位机;
步骤二、得到用于车载CAN总线异常检测***的异常判断逻辑的身份识别模型,具体步骤如下:
L1:将所述的ECU指纹特征的多维时序数据输入到Enhanced LSTM 神经网络模型中;
L2:所述ECU指纹特征的多维时序数据在Enhanced LSTM神经网络模型中进行编码和解码,完成ECU指纹特征的多维时序数据的识别,得到ECU指纹特征识别结果;
所述的Enhanced LSTM神经网络模型包括编码阶段和解码阶段,所述编码阶段是对输入的多维时序数据特征利用Enhanced LSTM模型的注意力机制来计算各自的权重,提取最相关的特征,编码过程如下:
a.当给定的多维时序数据集(X,y):
b.输入的数据首先经过Enhanced LSTM的模型注意力机制的编码层,假设在t时刻对第q个输入特征进行编码,编码过程如下:
其中表示的是编码阶段输出层的参数矩阵、表示的是编码阶段
中间隐藏层的权重参数矩阵、表示的是编码阶段中间隐藏层的偏斜参数矩阵、
表示在时刻t隐藏状态向量与输入的多维时序数据的第q个特征的相似度、 表示的是t
时刻输入样本数据的第q个特征、 表示的是t-1时刻的隐藏单元状态、表示的是
t-1时刻的记忆单元状态、()表示的是双曲正切激活函数;
e.对传统的LSTM模型进行改造,将所有堆叠的LSTM隐藏层的状态进行组合,得到Enhanced LSTM模型,t-1时刻的隐藏单元状态如式:
f.同样地得到t-1时刻的记忆单元状态如式:
g.将编码后的数据作为Enhanced LSTM神经网络模型的内部Enhanced LSTM单元输入,如下式:
i.再根据在t时刻,解码层单个输出特征的相似性与解码层所有特征的相似性计算得到权重比:
2.如权利要求1所述的一种ECU异常识别方法,其特征在于,所述的Enhanced LSTM神经网络模型按顺序分为输入层、隐藏层和输出层。
3.如权利要求1所述的一种ECU异常识别方法,其特征在于,所述的波形物理特征包括波形采样的均值、波形采样的标准差、波形采样的协方差、波形采样的上升斜率、波形采样的峰度、波形采样的均方根差、波形采样的最大值、波形采样的最小值、波形采样的能量。
5.如权利要求1所述的一种ECU异常识别方法,其特征在于,所述ECU特征的多维时序数据通过串口传输的方式上传至上位机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978223.5A CN113428167B (zh) | 2021-08-25 | 2021-08-25 | 一种ecu异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978223.5A CN113428167B (zh) | 2021-08-25 | 2021-08-25 | 一种ecu异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113428167A CN113428167A (zh) | 2021-09-24 |
CN113428167B true CN113428167B (zh) | 2021-11-26 |
Family
ID=77797802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978223.5A Active CN113428167B (zh) | 2021-08-25 | 2021-08-25 | 一种ecu异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113428167B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992533B (zh) * | 2021-12-29 | 2022-03-22 | 湖南大学 | 一种车载can总线数据异常检测识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016088304A1 (ja) * | 2014-12-01 | 2016-06-09 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 不正検知電子制御ユニット、車載ネットワークシステム及び不正検知方法 |
US10728101B2 (en) * | 2016-05-01 | 2020-07-28 | Argus Cyber Security Ltd. | In-vehicle network anomaly detection |
CN111133412A (zh) * | 2017-07-25 | 2020-05-08 | 奥罗拉实验室有限公司 | 基于工具链构建车辆ecu软件的软件增量更新和异常检测 |
US11379284B2 (en) * | 2018-03-13 | 2022-07-05 | Nec Corporation | Topology-inspired neural network autoencoding for electronic system fault detection |
EP3594860B1 (en) * | 2018-07-09 | 2024-05-08 | Tata Consultancy Services Limited | Sparse neural network based anomaly detection in multi-dimensional time series |
US20210053574A1 (en) * | 2019-08-21 | 2021-02-25 | Micron Technology, Inc. | Monitoring controller area network bus for vehicle control |
US11427210B2 (en) * | 2019-09-13 | 2022-08-30 | Toyota Research Institute, Inc. | Systems and methods for predicting the trajectory of an object with the aid of a location-specific latent map |
US11999364B2 (en) * | 2020-12-23 | 2024-06-04 | Intel Corporation | Systems and methods for intrusion detection in vehicle systems |
-
2021
- 2021-08-25 CN CN202110978223.5A patent/CN113428167B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113428167A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Seo et al. | GIDS: GAN based intrusion detection system for in-vehicle network | |
CN110149345B (zh) | 一种基于报文序列预测的车载网络入侵检测方法 | |
Foruhandeh et al. | SIMPLE: Single-frame based physical layer identification for intrusion detection and prevention on in-vehicle networks | |
Ning et al. | Attacker identification and intrusion detection for in-vehicle networks | |
Avatefipour et al. | Linking received packet to the transmitter through physical-fingerprinting of controller area network | |
Qin et al. | Application of controller area network (CAN) bus anomaly detection based on time series prediction | |
CN113162902B (zh) | 一种基于深度学习的低时延、安全的车载入侵检测方法 | |
Han et al. | PPM-InVIDS: Privacy protection model for in-vehicle intrusion detection system based complex-valued neural network | |
CN113428167B (zh) | 一种ecu异常识别方法 | |
Jeong et al. | CNN-based adaptive source node identifier for controller area network (CAN) | |
CN113904819A (zh) | 一种应用于工控网络的安全*** | |
Yu et al. | TCE-IDS: Time interval conditional entropy-based intrusion detection system for automotive controller area networks | |
CN109660522B (zh) | 面向综合电子***的基于深层自编码器的混合入侵检测方法 | |
Zhou et al. | A model-based method for enabling source mapping and intrusion detection on proprietary can bus | |
Zhao et al. | GVIDS: A reliable vehicle intrusion detection system based on generative adversarial network | |
Zhou et al. | CANGuard: Practical intrusion detection for in-vehicle network via unsupervised learning | |
CN117729540A (zh) | 一种基于统一边缘计算框架的感知设备云边安全管控方法 | |
Deng et al. | A lightweight sender identification scheme based on vehicle physical layer characteristics | |
CN116471062A (zh) | 一种支持数据隐私保护的车载网络入侵检测方法 | |
CN113542222B (zh) | 一种基于双域vae的零日多步威胁识别方法 | |
Hafeez et al. | Exploiting channel distortion for transmitter identification for in-vehicle network security | |
Li et al. | Adaptive filter-based approach for phy fingerprints extraction of fast ethernet network | |
CN117896176B (zh) | 面向工业物联网欺骗攻击的学习驱动物理层认证方法 | |
Liang et al. | Leveraging Byte-Level Features for LSTM-based Anomaly Detection in Controller Area Networks | |
CN118171275B (zh) | 基于自监督箱型分类的智能交通车辆安全检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |