本文關鍵詞：網聯(lián)汽車信息安全問題及CAN總線異常檢測技術研究

  更多相關文章： 網聯(lián)汽車 CAN總線 車載總線網絡 信息安全 信息熵 決策樹 異常檢測

【摘要】：隨著汽車智能化、網聯(lián)化的發(fā)展,智能網聯(lián)汽車成為汽車信息化的發(fā)展方向。近年來針對汽車的信息安全事件頻發(fā),網聯(lián)汽車信息安全問題凸顯,研究網聯(lián)汽車及車載網絡系統(tǒng)信息安全問題迫在眉睫。CAN總線是目前使用最廣泛的車載總線網絡技術,隨著汽車信息安全問題的出現(xiàn),惡意攻擊通過外部接口直接滲透到車載CAN總線網絡,嚴重危害駕乘者人身和財產安全。CAN總線缺乏基本的信息安全機制,研究車載CAN總線網絡的信息安全問題及適合CAN總線的異常檢測技術具有十分重要的意義。本文概述了網聯(lián)汽車信息安全問題的研究現(xiàn)狀,分析了網聯(lián)汽車的信息安全威脅,對網聯(lián)汽車可能受到攻擊的外部接口進行了歸納分類,分析了這些攻擊接口的攻擊手段和潛在威脅。對目前主要車載總線網絡潛在的信息安全威脅進行了歸納分析,并針對安全威脅提出了相應的保護機制。深入分析車載CAN總線網絡信息安全問題,提出車載CAN總線安全使用異常檢測技術的需求,討論了車載網絡的異常檢測技術。提出了一種基于信息熵的車載CAN總線網絡報文異常檢測方法,理論分析及實驗結果表明,該方法可以用于檢測車載CAN總線網絡的洪泛、重放等攻擊。提出了一種基于決策樹的車載CAN總線報文數據異常檢測方法,結合CART決策樹模型和車載CAN總線報文數據特點,提出了適用于車載CAN總線報文異常檢測的決策樹模型。通過實驗證明該方法的檢測準確率為98.3%。
【關鍵詞】：網聯(lián)汽車 CAN總線 車載總線網絡 信息安全 信息熵 決策樹 異常檢測
【學位授予單位】：吉林大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：U463.67;TP393.08
【目錄】：

• 提要5-6
• 摘要6-8
• Abstract8-14
• 第1章 緒論14-28
• 1.1 研究背景與意義14-17
• 1.1.1 研究背景14-16
• 1.1.2 研究意義16-17
• 1.2 課題的研究現(xiàn)狀17-24
• 1.2.1 網聯(lián)汽車信息安全研究現(xiàn)狀17-21
• 1.2.2 CAN總線信息安全研究現(xiàn)狀21-24
• 1.3 本文的主要研究工作24-25
• 1.4 本文的組織結構25-28
• 第2章 網聯(lián)汽車信息安全分析28-50
• 2.1 引言28-30
• 2.2 網聯(lián)汽車的攻擊接口30-38
• 2.2.1 物理訪問31-32
• 2.2.2 短距離無線訪問32-34
• 2.2.3 新興的短距離無線訪問34-36
• 2.2.4 長距離無線訪問36
• 2.2.5 信息服務系統(tǒng)36-38
• 2.3 車載網絡信息安全分析38-49
• 2.3.1 車載總線網絡技術簡介38-44
• 2.3.2 CAN總線44-46
• 2.3.3 MOST網絡46-47
• 2.3.4 FlexRay總線47-49
• 2.4 小結49-50
• 第3章 CAN總線信息安全問題及異常檢測技術50-68
• 3.1 引言50
• 3.2 車載CAN總線信息安全問題50-59
• 3.2.1 CAN總線網絡特性50-54
• 3.2.2 CAN總線協(xié)議安全威脅54-55
• 3.2.3 CAN總線攻擊方式55-57
• 3.2.4 CAN總線信息安全挑戰(zhàn)57-59
• 3.3 車載總線網絡異常檢測技術59-66
• 3.3.1 車載總線網絡異常檢測相關挑戰(zhàn)60-62
• 3.3.2 基于異常的檢測技術概述62-66
• 3.4 小結66-68
• 第4章 基于信息熵的CAN總線異常檢測68-90
• 4.1 引言68
• 4.2 信息熵68-70
• 4.2.1 信息熵的定義68-69
• 4.2.2 信息熵的主要性質69-70
• 4.2.3 相對熵70
• 4.3 基于信息熵的異常檢測70-75
• 4.3.1 CAN總線信息熵71-72
• 4.3.2 CAN總線信息熵的理論分析72-74
• 4.3.3 異常檢測方法模型74-75
• 4.4 仿真實驗與分析75-86
• 4.4.1 實驗仿真平臺75-77
• 4.4.2 攻擊節(jié)點仿真77-78
• 4.4.3 理論分析驗證78-81
• 4.4.4 檢測模型標定81-86
• 4.5 討論86-89
• 4.6 小結89-90
• 第5章 基于決策樹的CAN總線異常檢測90-110
• 5.1 引言90
• 5.2 決策樹90-95
• 5.2.1 決策樹模型屬性選擇91-93
• 5.2.2 決策樹模型生成93-94
• 5.2.3 決策樹模型剪枝94-95
• 5.3 基于決策樹的異常檢測95-97
• 5.3.1 CAN總線決策樹模型生成95-96
• 5.3.2 CAN總線決策樹生成算法96
• 5.3.3 決策樹異常檢測模型96-97
• 5.4 實驗與分析97-108
• 5.4.1 實驗數據集97
• 5.4.2 數據預處理97-103
• 5.4.3 決策樹模型參數控制103
• 5.4.4 決策樹模型生成結果103-106
• 5.4.5 異常報文定位106-108
• 5.5 小結108-110
• 第6章 總結與展望110-114
• 6.1 工作總結110-111
• 6.2 下一步的工作展望111-114
• 參考文獻114-124
• 作者簡介及在學期間所取得的科研成果124-127
• 致謝127

【相似文獻】

中國期刊全文數據庫 前2條

1 焦文歡;馮興杰;;一種面向TCP流的異常檢測技術[J];中國民航大學學報;2014年03期

2 ;[J];;年期

中國重要會議論文全文數據庫 前1條

1 李涵;;一種改進的聚類方法在異常檢測中的應用[A];2010年全國開放式分布與并行計算機學術會議論文集[C];2010年

中國重要報紙全文數據庫 前2條

1 那罡;檢測異常網絡 阻擋DoS攻擊[N];中國計算機報;2008年

2 ;千兆網絡的安全防護神[N];中國計算機報;2003年

中國博士學位論文全文數據庫 前4條

1 于赫;網聯(lián)汽車信息安全問題及CAN總線異常檢測技術研究[D];吉林大學;2016年

2 林果園;基于主機行為的異常檢測技術研究[D];南京大學;2011年

3 吳志忠;移動設備及網絡的異常檢測方法研究[D];中國科學技術大學;2013年

4 夏正敏;基于分形的網絡流量分析及異常檢測技術研究[D];上海交通大學;2012年

中國碩士學位論文全文數據庫 前10條

1 鐘圣唯;面向異常檢測的多源遙感影像融合技術研究[D];哈爾濱工業(yè)大學;2015年

2 林旭;基于WEB訪問日志的異常檢測技術研究[D];中國海洋大學;2015年

3 楊斌;基于聚類的異常檢測技術的研究[D];中南大學;2008年

4 朱義鑫;基于網絡的隱馬爾可夫異常檢測技術研究[D];新疆大學;2005年

5 李斌;基于正常簡檔聚類的自適應異常檢測技術研究[D];中南大學;2009年

6 楊宇舟;基于特征提取的聚類異常檢測技術的研究與實現(xiàn)[D];電子科技大學;2012年

7 王冬陽;面向云計算的異常檢測技術的研究與實現(xiàn)[D];上海交通大學;2013年

8 宋歌;基于程序行為的異常檢測技術研究[D];西安電子科技大學;2002年

9 乜聚虎;智能手機異常檢測技術研究與實現(xiàn)[D];中國科學技術大學;2011年

10 呂云潔;基于數據流的異常檢測技術及應用的研究[D];華北電力大學（河北）;2008年

，

本文編號：869141