基于深度学习的轻量级车载网络入侵检测方法

摘要：

现有基于深度学习的车载网络入侵检测方法存在计算资源消耗和延迟较高的问题.为减少检测延迟并提高检测效果,结合迁移学习构建基于可视化和改进的MobileNet模型的轻量级车载网络入侵检测模型.将攻击流量可视化为彩色图,之后通过双线性插值方法扩大图像以增强数据集并防止模型过拟合.为减少参数和训练过程中的资源消耗,对MoblieNet进行改进,并使用迁移学习对模型进行微调.实验结果表明,该方法在算力有限的树莓派设备上对车载网络流量数据集Car-Hacking和OTIDS的测试准确率、精确率、召回率和F1值达到100%,平均响应时间分别为2.5 ms和2.9 ms,较经典的深度学习模型如ResNet-18等减少了至少40%的响应时间.相比较Confidence Averaging等检测方法,减少了训练资源的消耗,并保证了检测的效果和时间.

关键词：控制器区域网络、车载网络、入侵检测、轻量级

所属期刊栏目：59

分类号：TP393(计算技术、计算机技术)

资助基金：中央引导地方科技发展专项;贵州省科技计划项目;贵州省研究生科研基金项目

在线出版日期：2023-11-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：284-292