信息物理系统 (CPS) 是一种新兴系统，它通过信息通信基础设施，实现控制系统、传感器、执行器和周围环境等物理组件之间有效的实时通信与协作 (C&C)。自动驾驶汽车 (AV) 是大量采用 CPS 方法的领域之一，旨在通过降低能源消耗和空气污染来改善智慧城市中的人们生活。因此，自动驾驶汽车-信息物理系统 (AV-CPS) 吸引了众多大型企业的巨额投资，预计将得到广泛应用。然而，由于包括云计算在内的信息技术 (IT) 与通信过程的深度融合，AV-CPS 容易受到网络和物理威胁载体的攻击。云计算在提供 AV-CPS 实时数据处理、存储和分析所需的可扩展基础设施方面至关重要，使这些系统能够在智慧城市中无缝运行。通过网络基础设施，诸如传感器和控制系统等 CPS 组件尤其容易受到攻击者利用通信系统进行的网络攻击。本文提出了一种用于 AV-CPS 的智能入侵检测系统 (IIDS)，该系统使用迁移学习来识别通过网络基础设施针对 AV 连接的物理组件发起的网络攻击。首先，通过实现控制器局域网 (CAN) 并将其集成到 AV 仿真模型中来开发 AV-CPS。其次，从 AV-CPS 生成数据集。然后对收集到的数据集进行预处理，通过预先训练的 CNN 进行训练和测试。第三，实现了八个预训练网络，分别是 InceptionV3、ResNet-50、ShuffleNet、MobileNetV2、GoogLeNet、ResNet-18、SqueezeNet 和 AlexNet。对实现的模型的性能进行了评估。根据实验评估结果，GoogLeNet 优于所有其他预训练网络，F1 分数达到 99.47%。
介绍
自动驾驶汽车 (AV) 近年来发展迅速，一些智能汽车或无人驾驶汽车已可在公共道路上行驶 [ 1 ]。此外，随着人们开始认识到这项技术的无限优势，AV 已成为学术界和商界的热门话题 [ 2 ]。AV 可以执行车道偏离警告、交通标志识别和避免碰撞等复杂任务，同时还可以减轻人类驾驶员的工作量 [ 3 ]。此外，AV 的运行还能降低能耗和减少空气污染，对环境产生积极影响 [ 4 ]。AV 通常具有基于异构架构设计的复杂计算、传感和执行系统。然而，网络和通信技术存在许多固有困难，包括安全性、隐私、数据传输、实时数据分析和带宽限制 [ 5 ]。为了响应智能交通系统的技术进步，AV 可以通过各种通信协议传输数据。信息物理系统 (CPS) 是一种利用现代传感器、计算和网络技术将信息和物理组件无缝融合的系统 [ 6 ]。当与电子和物理设备集成时，AV 提供了 CPS 的完美拟合模型 [ 7 ]。多种车辆网络系统（如传感器、执行器和电子控制单元 (ECU)）可以连接 AV 组件。最流行的网络系统是控制器局域网 (CAN)、时间触发 CAN (TTCAN)、本地互连网络 (LIN) 和 FlexRay [ 8 ]。CAN 协议由博世的研究人员于 1985 年发明，用于取代汽车系统中的电线，因为电线数量开始增加导致可靠性下降 [ 9 ]。CAN 是一种标准通信协议，可用于车辆控制传感器数据 [ 10 ]。但是，CAN 只能处理少量的实时传感器数据 [ 10 ]。
此外，来自众多汽车核心控制系统（包括发动机、传动系统、车身系统和其他电气设备）的数据流都通过 CAN 总线收集，每一比特信息都会广播到 CAN 总线。每个节点都可以永久访问网络，这意味着有害的内部或外部信息可能攻击车辆中的任何 CAN 网络节点 [ 11 ]。不难理解，自动驾驶汽车必须配备更多的传感和通信设备才能独立运行。图 1显示了基本的 AV 组件。然而，随着自主程度的提高，安全隐患也会增加 [ 12 ]。攻击源通常是负面的内部组件或外部事件，旨在破坏 AV 预期的自主性 [ [11 ]。如 13 ]中所述，AV 的攻击面可以是安全气囊 ECU、USB、蓝牙、车辆访问系统 ECU 等。
图 1
自动驾驶汽车架构
全尺寸图像
在智慧城市的背景下，自动驾驶汽车是 CPS 原理的一个重要应用，它通过降低能耗和减少空气污染来帮助改善城市生活。在 AV-CPS 中集成信息技术 (IT) 和通信流程（包括云计算）对于提供 AV-CPS 中实时数据处理、存储和分析所需的可扩展基础设施至关重要，从而使这些系统能够在智慧城市中无缝运行。此外，自动驾驶汽车容易受到网络攻击，例如密钥卡克隆攻击、雷达攻击、远程信息处理服务攻击、传感器欺骗攻击、超声波传感器攻击、激光雷达传感器攻击、摄像头传感器攻击等，还有勒索软件和车辆盗窃等新风险 [ 14 ]。因此，本文提出了一种基于预训练卷积神经网络 (CNN) 的方法，该方法有助于检测通过 CAN 通信协议针对 AV 所连接的物理组件进行的网络攻击。借助迁移学习的强大功能，可以将预训练模型用于不同类型的系统。因此，迁移是深度学习中的一个重要概念，它源于数据不足和从头开始训练的情况。迁移学习将学习从预训练模型转化为新的相关模型。因此，它是一个使用来自不同领域的数据进行训练的学习器，因为有时使用传统的机器学习技术来训练数据既困难又昂贵，因为传统的机器学习技术假设训练数据属于同一领域[ 15 ]。
我们的贡献
以下是本文贡献的总结：
- [我们使用 Simulink 16 ]中的 CAN 通信工具箱实现了 CAN 通信协议，并将其集成到 MathWorks 公司开发的自动驾驶汽车仿真模型中 [ 17 ]。这使得连接的物理设备（例如传感器、自适应巡航控制 (ACC) 系统和执行器）能够进行交互和协作，这被称为自动驾驶汽车信息物理系统 (AV-CPS)。
- 我们从 AV-CPS 生成数据集，并通过将信号转换为图像来对其进行预处理，然后将其输入到预先训练的 CNN 中。
- 我们利用八个预训练网络实现了智能入侵检测系统 (IIDS)，并对每个网络进行了性能分析。实验发现，GoogLeNet 的表现最佳，其 F1 得分参数达到了 99.47%。
论文结构
本文其余部分的结构如下：第2部分包含文献综述，讨论了自动驾驶汽车安全性方面的最新研究成果和研究空白。第3部分介绍了研究方法，包括自动驾驶汽车信息物理系统（AV-CPS）的实施，并讨论了数据集的收集和预处理过程。第4部分介绍了研究结果并进行了讨论。最后，第5部分给出了结论和评论。
相关研究
人工智能、通信和遥感技术的持续进步显著缩短了智慧城市及其应用和服务的开发周期。近年来，多项智能服务应运而生并实现产业化，以提高智慧城市的生活水平，涵盖通信、网络安全、智能电网、医疗保健和交通系统等多个领域 18，19，20 []。大部分努力都致力于开发智能出行和智能交通系统，例如自动驾驶汽车[ 21 ]。几年内，将有超过 2.5 亿辆汽车连接到路边单元[ 22 ] 。尽管自动驾驶汽车行业发展迅猛，但它们仍容易受到各种网络攻击，其影响范围从轻微的控制命令到威胁个人生命和福祉