차량 네트워크 내 침입 감지를 위한 딥러닝 기반 접근 방법 = Deep Learning based Approaches for Detecting Intrusions in the In-vehicle Network

다국어 초록 (Multilingual Abstract)

In modern vehicles, the controller area network (CAN) bus is one of the most important means of communication between electronic control units (ECUs). Despite its speed and simplicity, the critical drawback of the CAN bus is the security problem. In the CAN bus, the ECUs send and receive messages based on broadcasting and priority mechanisms without authentication and encryption. Hence, the system is vulnerable to various attacks. To address the problem, this thesis introduces three deep learning-based approaches for designing a robust intrusion detection system (IDS) in the CAN bus.
Firstly, this thesis proposes a semi-supervised deep learning model, named convolutional adversarial autoencoder (CAAE), to tackle the issue of lacking labeled attack data, which commonly occurs in the intrusion detection problem. Concretely, the model is trained with unlabeled data to learn the manifolds of normal and attack patterns. Then, only a small number of labeled samples are used in supervised training. The proposed model can detect various kinds of message injection attacks, such as DoS, fuzzy, and spoofing, as well as unknown attacks. The experimental results show that the proposed model achieves the highest F1 score of 0.9984 and a low error rate of 0.1% with limited labeled data compared to other supervised methods. Moreover, the model can meet the real-time requirement by analyzing the model complexity in terms of the number of trainable parameters and inference time. This study successfully reduced the number of model parameters by five times and the inference time by eight times, compared to a state-of-the-art model.
Next, the thesis aims to design a universal IDS which can be applied to all car models. As a result of the different distribution of car models, the goal is difficult to achieve. Therefore, the thesis utilizes transfer learning techniques on a supervised contrastive model. In detail, we proposed a novel deep learning model called supervised contrastive (SupCon) ResNet, which can handle multiple attack classifications on the CAN bus. Furthermore, the model can be used to improve the performance of a limited-size dataset using a transfer learning technique. The capability of the proposed model is evaluated on two real car datasets. When tested with the car hacking dataset, the experiment results show that the SupCon ResNet model improves the overall false-negative rates of four types of attack by five times on average, compared to other models. In addition, the model achieves the highest F1 score on both the vehicle models of the survival dataset by utilizing transfer learning. Finally, the model can adapt to hardware constraints in terms of memory size and running time to be deployed in real devices.
Finally, we extend the transfer learning idea in the previous study by developing a personalized federated learning scheme to aggregate all the datasets from different car models. The proposed model can provide global knowledge that can be transferred to any model’s participant to increase its performance. In comparison to baseline models, the proposed model achieves 4% higher F1 scores overall. Besides, the results also suggest that the proposed model provides significant advantages when the local dataset of each participant is relatively small. According to our experiments, the proposed models can achieve F1 scores of more than 90% with at least 30k training samples on each client.

국문 초록 (Abstract)

최신 차량에서 CAN(Controller Area Network) 버스는 전자 제어 장치(ECU) 간의 가장 중요한 통신 수단 중 하나이다. CAN 버스는 빠른 속도와 단순한 구조를 가지고 있지만 보안 상 문제점을 가지고 있다. CAN 버스에서 ECU는 인증 및 암호화 없이 브로드캐스팅 및 우선 순위 메커니즘을 기반으로 메시지를 송수신하므로, 다양한 공격에 취약하다. 이 문제를 해결하기 위해 이 논문에서는 CAN 버스에서 견고한 침입 탐지 시스템(Intrusion Detection System, IDS)을 설계하기 위한 세 가지 딥 러닝 기반 접근 방식을 소개한다.
첫 번째 방법에서는 침입탐지 문제에서 흔히 발생하는 레이블 공격 데이터의 부족 문제를 해결하기 위해 CAAE(convolutional adversarial autoencoder)라는 준지도 딥러닝 모델을 제안한다. 제안하는 모델은 정상 및 공격 패턴의 다양성을 학습하기 위해 먼저 레이블이 없는 데이터로 훈련된다. 그런 다음 지도학습에 소수의 레이블이 지정된 샘플만 사용된다. 제안하는 모델은 알려지지 않은 공격 뿐만 아니라 DoS, fuzzy, spoofing과 같은 다양한 종류의 메시지 주입 공격을 탐지할 수 있다. 실험 결과, 제안된 모델이 다른 지도학습 방법에 비해 제한된 수의 레이블 데이터로 가장 높은 F1 점수인 0.9984와 0.1%의 낮은 오류율을 달성함을 보여준다. 또한, 제안하는 모델에 대해 훈련 가능한 매개변수의 수와 실행 시간 측면에서 모델 복잡성을 분석하여 실시간 요구 사항을 충족하는 것을 확인하였다. 본 연구에서는 최신 모델에 비해 모델 매개변수의 수를 5배, 실행 시간을 8배 줄이는 데 성공하였다.
두 번째 방법에서는 모든 차종에 적용 가능한 범용 IDS를 설계하는 것을 목표로 한다. 자동차 모델에 따라 CAN 데이터의 구조가 다르기 때문에 범용 IDS를 설계하는 것은 쉽지 않다. 따라서 본 논문에서는 Supervised Contrastive(SupCon) 모델에 전이 학습 기법을 활용한다. 세부적으로는 CAN 버스에서 다중 공격 분류를 처리할 수 있는 Supervised Contrastive ResNet이라는 새로운 딥 러닝 모델을 제안하고, 이 모델을 전이 학습 기법을 사용하여 제한된 크기의 데이터 세트의 성능을 개선하는 데 사용한다. 제안된 모델의 성능은 두 개의 실제 자동차 데이터 세트에서 평가된다. Car Hacking 데이터셋으로 테스트한 결과, SupCon ResNet 모델이 다른 모델에 비해 4가지 유형의 공격에 대한 전반적인 위음성 비율을 평균 5배 향상시키는 것으로 나타났고, 전이 학습을 활용하여 Survival 데이터 세트의 두 차량 모델 모두에서 가장 높은 F1 점수를 얻었다. 마지막으로 제안하는 모델은 배포할 메모리 크기 및 실행 시간 측면에서 차량 용 하드웨어 제약 조건을 만족하는 것을 확인하였다.
마지막으로, 서로 다른 자동차 모델의 모든 데이터 세트를 활용하기 위해 개인화된 연합 학습 체계를 개발하여 이전 연구의 전이 학습 아이디어를 확장한다. 제안된 모델은 성능을 향상시키기 위해 모든 모델의 참여자에게 전달될 수 있는 글로벌 지식을 제공할 수 있다. 기본 모델과 비교하여 제안된 모델은 전반적으로 4% 더 높은 F1 점수를 달성한다. 또한 해당 결과는 제안된 모델이 각 참가자의 로컬 데이터 세트가 상대적으로 작을 때 상당한 이점을 제공함을 시사한다. 우리의 실험에 따르면, 제안된 모델은 각 클라이언트에서 최소 30,000개의 훈련 샘플로 90% 이상의 F1 점수를 달성할 수 있었다.

목차 (Table of Contents)

• LIST OF TABLES iv
• LIST OF FIGURES v
• LIST OF ALGORITHMS vi
• ABSTRACT vii
• Chapter I. Introduction 1
• 1. Motivations 1
• 2. Contributions 2
• 3. Thesis outline 4
• Chapter II. In-Vehicle Network Background 5
• 1. CAN Bus system 5
• 2. Attack models 6
• Chapter III. Detecting In-vehicle Intrusion via Semi-supervised Learning-based Convolutional Adversarial Autoencoders 9
• 1. Introduction 9
• 2. Related works 10
• 3. Methodology 13
• 3.1. Autoencoder 13
• 3.2. Generative Adversarial Networks 14
• 3.3. Adversarial Autoencoder 15
• 3.4. Proposed model 17
• 4. Experimental results 24
• 4.1. Datasets 24
• 4.2. Experiment Setup 25
• 4.3. Evaluation metrics 26
• 4.4. Detection for known attacks 27
• 4.5. Detection for unknown attacks 29
• 4.6. Model complexity analysis 31
• 5. Conclusion 32
• Chapter IV. Supervised Contrastive ResNet and Transfer Learning for the In-vehicle Intrusion Detection System 34
• 1. Introduction 34
• 2. Related works 35
• 2.1. Deep Learning-based In-vehicle IDS 35
• 2.2. Transfer Learning in the In-vehicle IDS 37
• 2.3. Contrastive Learning in IDS 37
• 3. Methodology 39
• 3.1. Problem Formulation 39
• 3.2. Proposed System 40
• 3.3. Data Preprocessing 41
• 3.4. Resnet Architecture 41
• 3.5. Supervised Contrastive Model 44
• 3.6. Transfer learning 47
• 4. Experimental Results 48
• 4.1. Experiment Setup 48
• 4.2. Evaluation Metrics 49
• 4.3. Choosing Hyperparameters for the SupCon ResNet model 50
• 4.4. Comparison with other Supervised Methods 51
• 4.5. Transfer Learning Results 53
• 4.6. Model Complexity Analysis 56
• 5. Conclusion 56
• Chapter V. Improve Intrusion Detection Performance in CAN Bus by Sharing Knowledge 58
• 1. Introduction 58
• 2. Related works 59
• 3. Proposed system 60
• 4. Performance Evaluation 62
• 4.1. Experiment Setup 63
• 4.2. Evaluation Results 63
• 5. Conclusion 65
• Chapter VI. Conclusions and Future Works 67
• Bibliography 69
• 국 문 요 약 76
• Acknowledgement 78