10.19678/j.issn.1000-3428.0064949
基于聚类混合采样与PSO-Stacking的车载CAN入侵检测方法
随着信息技术的快速发展以及智能网联汽车的日渐普及,由网络入侵引起的车联网安全事件正在逐年增加.针对车联网中车载控制器局域网络(CAN)存在的网络攻击问题,提出一种改进的车载CAN入侵检测方法.考虑到车载CAN中数据流量较大且各类别数据比例失衡,提出一种聚类混合采样方法来平衡数据,对于流量较大的数据,在聚类后进行欠采样以去除冗余,对于流量较小的数据,使用SMOTE方法合成数据.合并上述两部分数据并使用Tomek Links算法进行数据清洗.使用基于Gini系数的GBDT特征选择方法计算特征重要性,删除重要程度较低的特征以实现数据降维.在此基础上,使用粒子群优化算法对Stacking模型中的基学习器和元分类器进行调优,使用优化后的基学习器和元分类器构建Stacking模型并完成入侵检测.实验结果表明,该方法在主流车载CAN入侵数据集上的检测准确率为98.18％,优于常见的ANN、KNN、SVM、MTHIDS及MGA-DTC模型,且对DoS、Fuzzy等类别样本的检测精确度较高,漏报率较低,体现出较好的先进性和实用性.
车联网安全、聚类混合采样、粒子群优化算法、Stacking模型、车载CAN入侵检测、Gini系数
49
TP393(计算技术、计算机技术)
国家重点研发计划;欧盟地平线科研计划;江苏省333高层次人才培养工程科研项目
2023-01-16（万方平台首次上网日期，不代表论文的发表时间）
共8页
138-145
