Deep Bayesian Learning for Car Hacking Detection
基本信息
- 标题：Deep Bayesian Learning for Car Hacking Detection（面向汽车黑客检测的深度贝叶斯学习）
- 作者：Laha Ale、Scott A. King、Ning Zhang
- 提交日期：2021 年 12 月 17 日
- arXiv 编号：arXiv:2112.09333 [cs.CR]
- 主题分类：密码学与安全（Cryptography and Security, cs.CR）
- DOI：https://doi.org/10.48550/arXiv.2112.09333
摘要
随着自动驾驶汽车与网联汽车的兴起，汽车配备了各种设备来辅助驾驶员或支持自动驾驶系统。随着越来越多设备和软件被部署到汽车上，汽车无疑变得更加智能。相应地，汽车中辅助与自动驾驶系统的安全性成为一个事关生死的问题，因为智能汽车可能遭受恶意攻击入侵，从而引发交通事故。目前，传统机器学习与深度学习方法被广泛应用于汽车黑客检测。然而，机器学习和深度学习方法容易过度自信，并且会被精心设计的对抗样本所击败。此外，这些方法无法为安全工程师提供可解释性以进行进一步分析。
在本工作中，作者研究了深度贝叶斯学习（Deep Bayesian Learning）模型来检测和分析汽车黑客行为。贝叶斯学习方法能够捕捉数据的不确定性，从而避免过度自信的问题。此外，贝叶斯模型可以提供更多信息来支撑预测结果，帮助安全工程师进一步识别攻击。作者将所提模型与深度学习模型进行了比较，结果表明所提模型具有优势。该工作的代码已公开。
关键要点
- 研究动机：智能网联汽车面临恶意攻击导致交通事故的安全威胁；现有机器学习/深度学习方法存在过度自信、易受对抗样本攻击、缺乏可解释性等问题。
- 方法：采用深度贝叶斯学习模型检测与分析汽车黑客行为。
- 优势：
- 捕捉数据不确定性，缓解过度自信问题；
- 为预测结果提供更多支撑信息，增强可解释性，辅助安全工程师识别攻击。
- 结果：与深度学习模型对比，所提模型显示出优势。
- 代码：作者声明代码已公开。