Infokommunikacionnye tehnologiiInfokommunikacionnye tehnologiiИнфокоммуникационные технологии2073-3909Povolzhskiy State University of Telecommunications and Informatics63511010.18469/ikt.2023.21.4.02Communication networks and multi-servicesСети связи и мультисервисные услугиResearch ArticleTraffic Anomaly Detection in Vehicle Bus by Recurrent LSTM Neural NetworkВыявление аномалий трафика в бортовой сети автомобиля с помощью рекуррентной LSTM нейросетиTroshinAlexander V.ТрошинАлександр Викторович
Russian Federation

Assistant Professor of Networks and Systems of Telecommunication Department, PhD in Technical Science

к.т.н., доцент кафедры сетей и систем связи

a.v.troshin77@yandex.ruPovolzhskiy State University of Telecommunications and InformaticsПоволжский государственный университет телекоммуникаций и информатики1109202421412181108202411082024Copyright ©; 2024, Troshin A.V.Copyright ©; 2024, Трошин А.В.2024Troshin A.V.Трошин А.В.https://creativecommons.org/licenses/by-nc-nd/4.0https://journals.eco-vector.com/2073-3909/article/view/635110

Modern high-end cars have many electronic control units for driving assistance that combine huge amounts of data about the functioning of car components. A significant part of these vehicles use a controller area network for communication between electronic units. Controller area network is a simple and reliable network protocol that due to its simplicity lacks any security mechanisms for data transmission. The problem of controller area network vulnerability is worsening as constantly growing amounts of data between cars, road infrastructure and the Internet. The traffic of attacks on controller area networks can be treated as abnormal that allows using anomaly detection methods for their recognition. In this work we propose the recurrent long short-term memory encoder-decoder neural network for controller area network attacks detection.

В современных автомобилях высокого уровня применяется множество электронных блоков контроля и управления, повышающих удобство вождения и собирающих большие объемы информации о работе различных узлов. В значительной части такого автотранспорта для обмена сообщениями между электронными блоками применяется сеть контроллеров - надежное и простое решение, которое, однако, не обеспечивает никаких средств защиты передаваемых данных. Проблема уязвимости сети контроллеров все более обостряется по мере того, как возрастает обмен данными между автомобилями, дорожной инфраструктурой и Интернетом. Трафик атак на сеть контроллеров можно рассматривать как аномальный по отношению к легитимным сообщениям, что позволяет использовать для их обнаружения различного рода методы обнаружения аномалий. В данной работе рассматривается способ выявления аномалий трафика на базе рекуррентной нейросети с ячейками долгой краткосрочной памяти, спроектированной по архитектуре энкодер-декодер.

controller area networkanomaly detectionlong short-term memoryunsupervised learningnetwork attackscybersecurityсеть контроллеровобнаружение аномалийобучение без учителякибербезопасностьрекуррентная нейросетьKang H. et al. Car hacking and defense competition on in-vehicle Network. Third International Workshop on Automotive and Autonomous Vehicle Security, 2021. URL: https://dx.doi.org/ 10.14722/autosec.2021.23035 (accessed: 20.11.2023).Car hacking and defense competition on in-vehicle network / H. Kang [et al.] // Third International Workshop on Automotive and Autonomous Vehicle Security. 2021. URL: https://dx.doi.org/ 10.14722/autosec.2021.23035 (дата обращения: 20.11.2023).Tariq S. et al. CAN-ADF: The controller area network attack detection framework. Computers & Security, 2020, vol. 94, pp. 101857. DOI: 10.1016/ j.cose.2020.101857CAN-ADF: The controller area network attack detection framework / S. Tariq [et al.] // Computers & Security. 2020. Vol. 94. P. 101857. DOI: 10.1016/ j.cose.2020.101857Avatefipour O. et al. An intelligent secured framework for cyberattack detection in electric vehicles’ CAN bus using machine learning. IEEE Access, 2019, vol. 7, pp. 127580–127592. DOI: 10.1109/ACCESS.2019.2937576An intelligent secured framework for cyberattack detection in electric vehicles’ CAN bus using machine learning / O. Avatefipour [et al.] // IEEE Access. 2019. Vol. 7. P. 127580–127592. DOI: 10.1109/ACCESS.2019.2937576Song H.M., Woo J., Kim H.K. In-vehicle network intrusion detection using deep convolutional neural networks. Vehicular Communications, 2020, vol. 21. URL: https://doi.org/10.1016/ j.vehcom.2019.100198 (accessed: 10.12.2023).Song H.M., Woo J., Kim H.K. In-vehicle network intrusion detection using deep convolutional neural networks // Vehicular Communications. 2020. Vol. 21. URL: https://doi.org/10.1016/j.vehcom. 2019.100198 (дата обращения: 10.12.2023).Sun H. et al. Anomaly detection for in-vehicle network using CNN-LSTM with attention mechanism. IEEE Transactions on Vehicular Technology, 2021, vol. 70, no. 10, pp. 10880–10893. DOI: 10.1109/TVT.2021.3106940Anomaly detection for in-vehicle network using CNN-LSTM with attention mechanism / H. Sun [et al.] // IEEE Transactions on Vehicular Technology. 2021. Vol. 70, no. 10. P. 10880–10893. DOI: 10.1109/TVT.2021.3106940Wei Y. et al. LSTM-Autoencoder-based anomaly detection for indoor air quality time-series data. IEEE Sensors Journal, 2023, vol. 23, no. 4, pp. 3787–3800. DOI: 10.1109/JSEN.2022.3230361LSTM-Autoencoder-based anomaly detection for indoor air quality time-series data / Y. Wei [et al.] // IEEE Sensors Journal. 2023. Vol. 23, no. 4. P. 3787–3800. DOI: 10.1109/JSEN.2022.3230361Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, Massachusetts: MIT Press, 2016. 800 р.Ergen T., Mirza A.H., Kozat S.S. Unsupervised and Semi-supervised Anomaly Detection with LSTM Neural Networks, 2017. URL: https://doi.org/10.48550/arXiv.1710.09207 (accessed: 20.11.2023).Ergen T., Mirza A.H., Kozat S.S. Unsupervised and Semi-supervised Anomaly Detection with LSTM Neural Networks. 2017. URL: https://doi.org/10.48550/arXiv.1710.09207 (дата обращения: 20.11.2023).Wei Y. et al. Reconstruction-based LSTM-Autoencoder for Anomaly-based DDoS Attack Detection over Multivariate Time-Series Data, 2023. URL: https://arxiv.org/abs/2305.09475 (accessed: 20.11.2023).Reconstruction-based LSTM-Autoencoder for Anomaly-based DDoS Attack Detection over Multivariate Time-Series Data / Y. Wei [et al.] // 2023. URL: https://arxiv.org/abs/2305.09475 (дата обращения: 20.11.2023).Car-Hacking: Attack & Defense Challenge 2020 Dataset. URL: https:// ieee-dataport.org /open-access/car-hacking-attack-defense-challenge-2020-dataset (accessed: 25.11.2023).Car-Hacking: Attack & Defense Challenge 2020 Dataset. URL: https://ieee-dataport.org/open-access/car-hacking-attack-defense-challenge-2020-dataset (дата обращения: 25.11.2023).Troshin A.V. Network traffic anomaly detection by dimensionality reduction methods. Infokommunikacionnye tehnologii, 2022, vol. 20, no. 4, pp. 34–43. DOI: 10.18469/ikt.2022.20.4.05 (In Russ.)Трошин А.В. Обнаружение аномалий трафика сети с помощью методов понижения размерности // Инфокоммуникационные технологии. 2022. Т. 20, № 4 (80). С. 34–43. DOI: 10.18469/ikt.2022.20.4.05Troshin A. Car Hacking Detection by LSTM Neural Network. URL: https://github.com/av-troshin77/car_hacking (accessed: 25.11.23).Troshin A. Car hacking detection by LSTM neural network. URL: https://github.com/av-troshin77/car_hacking (дата обращения: 25.11.2023).