基于改进GAN的智能网联车CAN总线异常检测研究

为提高智能网联汽车(ICVs)的安全性,提出了一种能适应异常流量低的、泛化能力强的控制器局域网(CAN)总线异常检测算法,以应对车辆可能会产生的潜在的和难以察觉的异常情况,有效提高异常数据的检测精度。该文探讨了生成对抗网络(GANs)的理论意义,并在一辆智能网联公交车上,收集了4类不同攻击数据,2类罕见报警数据,基于计算数据的重构误差来衡量异常程度,验证算法的适应性。结果表明:该文提出的算法在低流量数据集Data4上的F1分数和误报率分别达到98.31%和2.90%,超过初始模型及深度卷积生成对抗网络(DCGAN)算法,且对罕见报警数据的误报率减少到3%,说明该算法适用于低流量异常检测,且泛化能力强。