盛銘 陳凌珊 汪俊杰 杜紅亮

（1.上海工程技術(shù)大學(xué)，上海 201620；2.上海汽車集團(tuán)股份有限公司商用車技術(shù)中心，上海 201108）

主題詞：車聯(lián)網(wǎng) 車載CAN總線 異常檢測 單分類支持向量機(jī)

1 前言

智能客車除基本的電控系統(tǒng)外，還增加了駕駛輔助系統(tǒng)，如行人碰撞防護(hù)、胎壓監(jiān)測等，所有控制器均通過CAN 總線進(jìn)行通信，客車上的電子設(shè)備如遠(yuǎn)程監(jiān)控智能通信終端（Telematics BOX，T-BOX）、胎壓檢測單元等都可能成為黑客入侵的途徑[1]。

國內(nèi)外學(xué)者對(duì)車載網(wǎng)絡(luò)的異常檢測進(jìn)行了相關(guān)研究。于赫采用決策樹的方法對(duì)CAN報(bào)文的數(shù)據(jù)場進(jìn)行了研究[2]。Taylor 等提出了長短期記憶（Long Short-Term Memory）神經(jīng)網(wǎng)絡(luò)對(duì)報(bào)文的ID 進(jìn)行研究[3]。Marchetti 等提出了CAN 報(bào)文實(shí)時(shí)序列的監(jiān)測方法，對(duì)實(shí)車總線CAN 報(bào)文ID 的生成序列進(jìn)行了研究[4]。Theissler提出了集成式異常檢測系統(tǒng)，采用投票的方式應(yīng)用不同的機(jī)器學(xué)習(xí)模型，以提高模型的魯棒性[5]。楊宏采用支持向量機(jī)二分類算法進(jìn)行了CAN總線攻擊與防御檢測技術(shù)研究[6]。Ji等通過不同攻擊方式的試驗(yàn)對(duì)4種異常檢測的方法進(jìn)行了對(duì)比[7]。Wang C等對(duì)層級(jí)實(shí)時(shí)記憶（Hierarchical Temporal Memory，HTM）神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了研究[8]。

上述研究均采用二分類方法，即隨機(jī)生成與正常數(shù)據(jù)同樣大小的異常數(shù)據(jù)，經(jīng)過二分類模型訓(xùn)練達(dá)到分類效果。但隨機(jī)生成的異常樣本不具備代表性，車上的許多故障是未知的或不容易被注入的，導(dǎo)致這種方法會(huì)產(chǎn)生錯(cuò)誤的決策函數(shù)。因此，本文提出單分類支持向量機(jī)異常檢測算法，僅對(duì)正常樣本進(jìn)行訓(xùn)練，采用試驗(yàn)的方式攻擊實(shí)車總線，驗(yàn)證所提出方法的可行性。

2 智能客車網(wǎng)絡(luò)安全隱患

為分析目前智能客車所面臨的網(wǎng)絡(luò)安全隱患，采集了即將上市的某品牌智能公交車在多工況試驗(yàn)下的總線報(bào)文數(shù)據(jù)。選擇上海公交線路徐閔線作為試驗(yàn)路線，該公交線路起點(diǎn)為閔行站，經(jīng)過32 站到達(dá)肇家浜路東安路終點(diǎn)站。采集路段包含城市公路及內(nèi)、外環(huán)等多種復(fù)雜路況，且包含了車輛幾乎所有運(yùn)行模式下的數(shù)據(jù)，滿足數(shù)據(jù)集采集目標(biāo)的需要。采集的城市工況部分原始數(shù)據(jù)經(jīng)可視化處理后車速變化曲線如圖1所示，油門踏板開度曲線如圖2所示。

圖1 城市工況行駛車速

圖2 城市工況油門踏板開度

車速信號(hào)的報(bào)文將根據(jù)總線通信協(xié)議轉(zhuǎn)發(fā)給儀表控制器，駕駛員根據(jù)儀表的顯示信息進(jìn)行駕駛決策；油門踏板開度信號(hào)將發(fā)送至整車控制器，整車控制器據(jù)此控制電機(jī)輸出扭矩。若攻擊者篡改了上述信號(hào)的數(shù)據(jù)，將威脅車輛行駛安全。

3 基于單分類支持向量機(jī)的網(wǎng)絡(luò)入侵檢測模型

3.1 單分類支持向量機(jī)算法

單分類問題指操作模型的訓(xùn)練樣本只有1類，異常檢測中即為正類。Scholkopf 等人提出了單分類支持向量機(jī)（One-Class Support Vector Machine，OCSVM）[9-10]，基于支持向量機(jī)（Support Vector Machine，SVM）的分離超平面和最大分類間隔等思想，將一分類問題等價(jià)為特殊的二分類問題。Xiao Y等提出了基于OCSVM的針對(duì)異常檢測的2種高斯核參數(shù)選取方法，提高了模型的準(zhǔn)確性[11]。Chandan等提出局部多核學(xué)習(xí)的方式對(duì)單分類的異常樣本進(jìn)行檢測[12]。

設(shè)訓(xùn)練樣本x1,x2,…,xn∈X均為正類，其中n為訓(xùn)練樣本的個(gè)數(shù)，X為輸入空間；設(shè)Φ(x)為輸入空間X到特征空間F的特征向量。OCSVM 將原點(diǎn)視為異常樣本，并尋找一個(gè)超平面以最大間隔將原點(diǎn)和訓(xùn)練樣本映射分開。超平面的公式為f(x)=w·Φ(x)-ρ=0，其中w和ρ分別為f(x)的法向量和截距。OCSVM的優(yōu)化問題表示為：

式中，v(0,1]為預(yù)先定義的百分比參數(shù)估計(jì)；δi為松弛變量。

松弛變量是在超平面無法正確分類或能正確分類但會(huì)造成過擬合的問題上產(chǎn)生的，引入松弛變量將允許訓(xùn)練模型出現(xiàn)一些分類上的錯(cuò)誤，增強(qiáng)模型的泛化能力。參數(shù)v是間隔誤差分?jǐn)?shù)的上界和支持向量分?jǐn)?shù)相對(duì)于訓(xùn)練樣本總數(shù)的下界，在模型精度和過擬合問題上進(jìn)行平衡。式（1）的拉格朗日雙關(guān)問題為：

式 中，α=[α1α2…αn]T為雙關(guān)變量；K為核矩陣，(K)ij=k(xi,xj)=(Φ(xi)·Φ(xj)T)；k(xi,xj)為核函數(shù)。

核函數(shù)是為了解決SVM線性不可分問題所提出的函數(shù)映射關(guān)系，核函數(shù)將樣本從原始空間X映射到更高的特征空間，使樣本在此空間內(nèi)線性可分，達(dá)到分類效果。本文基于高斯核進(jìn)行異常樣本檢測：

式（3）中，S參數(shù)定義了單一訓(xùn)練樣本對(duì)其他樣本的影響，取值較大會(huì)使其他樣本受更大的影響，同時(shí)也描述了模型的復(fù)雜度，其值越高，模型復(fù)雜度越高。

v和S對(duì)算法的準(zhǔn)確率和泛化能力起決定性作用，本文采用交叉驗(yàn)證和網(wǎng)格搜索的方式對(duì)兩者進(jìn)行匹配選擇。

3.2 CAN總線報(bào)文的OCSVM模型生成

3.2.1 智能公交CAN總線特性分析

智能公交的CAN總線根據(jù)功能分為8路CAN，其中最重要的為動(dòng)力CAN，包含4 個(gè)控制器，即整車控制器（Vehicle Control Unit，VCU）、電機(jī)控制器（Motor Control Unit，MCU）、電池管理控制器和高壓部件輔助控制器。此網(wǎng)段的報(bào)文ID周期分布如圖3所示。

圖3 該網(wǎng)段下不同ID的頻數(shù)

由圖3可以看出，整車報(bào)文完全按照通信協(xié)議周期發(fā)送，若總線被以增加ID或丟棄ID的方式入侵，可采用統(tǒng)計(jì)學(xué)信息熵的方式檢測ID數(shù)據(jù)量異常。但若ID的發(fā)送周期不變，只改變其數(shù)據(jù)，上述方法將不適用。選取周期最短的電機(jī)報(bào)文（周期為10 ms）進(jìn)行分析，此ID包含64 bit二進(jìn)制數(shù)據(jù)，共分為8個(gè)字節(jié)，此ID下第3個(gè)字節(jié)的數(shù)據(jù)分布如圖4所示。

圖4 電機(jī)報(bào)文第3個(gè)字節(jié)的數(shù)據(jù)分布

由圖4 可以看出，該字節(jié)的信號(hào)波動(dòng)遵循一定規(guī)律，是完全按照通信協(xié)議的信號(hào)列表來傳輸數(shù)據(jù)的，因此降低了訓(xùn)練模型的復(fù)雜度，以數(shù)據(jù)的8 個(gè)字節(jié)作為8個(gè)特征來訓(xùn)練OCSVM模型。

3.2.2 模型生成

將所采集的整車運(yùn)行數(shù)據(jù)進(jìn)行處理，共包含209萬個(gè)報(bào)文數(shù)據(jù)，把數(shù)據(jù)按ID進(jìn)行分類，把每個(gè)ID分成8個(gè)特征進(jìn)行訓(xùn)練，訓(xùn)練過程如圖5所示。

圖5 單分類支持向量機(jī)CAN總線異常檢測訓(xùn)練過程

3.2.3 交叉驗(yàn)證

為避免過擬合問題，將數(shù)據(jù)集分為訓(xùn)練集和測試集分別進(jìn)行訓(xùn)練和驗(yàn)證。交叉驗(yàn)證的過程如圖6所示。

圖6 交叉驗(yàn)證流程

本次交叉驗(yàn)證把數(shù)據(jù)集分為10個(gè)等份，其中9份作為訓(xùn)練集，另外1份作為驗(yàn)證集。循環(huán)10次，直至驗(yàn)證集分別取到10個(gè)不同的數(shù)據(jù)集。通過此步驟得出的參數(shù)可以有效避免過擬合，將此參數(shù)直接用于訓(xùn)練集訓(xùn)練數(shù)據(jù)，可得到最佳效果。圖7所示為用不同組合的v和S進(jìn)行匹配時(shí)訓(xùn)練集、測試集及異常集的預(yù)測準(zhǔn)確率。

圖7 訓(xùn)練集、測試集及異常集的預(yù)測準(zhǔn)確率

由圖7 可得出最佳參數(shù)組合，決定取v=0.001、S=0.000 1訓(xùn)練數(shù)據(jù)，以檢測CAN總線上的異常數(shù)據(jù)。

3.2.4 ID訓(xùn)練結(jié)果

基于以上的分析與驗(yàn)證，用訓(xùn)練好的參數(shù)分別對(duì)31 個(gè)ID 在v=0.001、S=0.000 1 條件下進(jìn)行訓(xùn)練，結(jié)果如圖8 所示，訓(xùn)練集、測試集和異常集的準(zhǔn)確率均在97%以上，所以O(shè)CSVM算法適用于車載網(wǎng)絡(luò)異常檢測。

圖8 單分類支持向量機(jī)對(duì)不同ID的訓(xùn)練結(jié)果

4 試驗(yàn)與結(jié)果分析

基于以上訓(xùn)練結(jié)果，采用試驗(yàn)的方式進(jìn)行驗(yàn)證，用仿真節(jié)點(diǎn)攻擊真實(shí)的車載網(wǎng)絡(luò)，試驗(yàn)環(huán)境如圖9 所示。實(shí)車中控臺(tái)上有3塊液晶顯示器，從左至右分別為觸摸控制屏、液晶儀表及駕駛輔助360°環(huán)境監(jiān)控顯示屏，用CANoe 模擬被入侵的ECU，通過Vector 公司的雙通道CAN 總線硬件接口VN1630 與整車車載診斷系統(tǒng)（On Board Diagnostics，OBD）連接，實(shí)現(xiàn)總線入侵。

圖9 實(shí)車試驗(yàn)環(huán)境

4.1 網(wǎng)絡(luò)入侵實(shí)現(xiàn)

4.1.1 篡改客車儀表顯示信息

試驗(yàn)中模擬2個(gè)節(jié)點(diǎn)（儀表控制器和電機(jī)控制器）對(duì)總線進(jìn)行攻擊。液晶儀表實(shí)時(shí)顯示客車運(yùn)行時(shí)的部分重要信息，信號(hào)大多由VCU從其他控制器轉(zhuǎn)發(fā)而來，故模擬VCU節(jié)點(diǎn)向儀表發(fā)送能改變顯示信息的報(bào)文，報(bào)文ID不變，只改變其數(shù)據(jù)域，篡改數(shù)據(jù)信息如表1所示。

表1 篡改儀表信息發(fā)送數(shù)據(jù)

按照通信協(xié)議在ID和發(fā)送周期不變的情況下向總線上發(fā)送如表1所示的3條報(bào)文信息，分別更改了擋位信息和車速信息，具體效果如圖10所示。

圖10 篡改信息后儀表的響應(yīng)

從圖10 可看出，在空擋的情形下行駛車速為45 km/h，這不符合客觀常識(shí)，影響駕駛員的決策。

4.1.2 篡改實(shí)車控制信號(hào)

利用總線工具CANoe 通過CAN 卡VN1640 與實(shí)車總線相連對(duì)電機(jī)節(jié)點(diǎn)的報(bào)文進(jìn)行仿真發(fā)送，不改變報(bào)文定義的周期，只改變報(bào)文下的數(shù)據(jù)，CANoe 節(jié)點(diǎn)仿真界面如圖11所示。

圖11 CANoe節(jié)點(diǎn)仿真界面

統(tǒng)計(jì)出正常電機(jī)節(jié)點(diǎn)的數(shù)據(jù)發(fā)送規(guī)律，模仿其數(shù)據(jù)發(fā)送方式，做如下嘗試：只改變其中1個(gè)字節(jié)的數(shù)據(jù)，保持其他7個(gè)字節(jié)按規(guī)律發(fā)送數(shù)據(jù)；改變其中2個(gè)字節(jié)的數(shù)據(jù)，保持其他6個(gè)字節(jié)按規(guī)律發(fā)送數(shù)據(jù)；隨機(jī)生成8個(gè)字節(jié)的數(shù)據(jù)。表2所示為按照上述3種方式設(shè)計(jì)的數(shù)據(jù)發(fā)送方式。

表2 篡改電機(jī)信息發(fā)送數(shù)據(jù)

如表2所示，按照總線通信協(xié)議下的電機(jī)節(jié)點(diǎn)所發(fā)送的報(bào)文，在不改變鏈路層的前提下，即不影響該節(jié)點(diǎn)與其他節(jié)點(diǎn)的網(wǎng)絡(luò)通信，只改變其數(shù)據(jù)場，也就是改變傳感器傳來的數(shù)據(jù)，使其他節(jié)點(diǎn)接收到錯(cuò)誤的傳感器信息，也就達(dá)到了網(wǎng)絡(luò)入侵的標(biāo)準(zhǔn)。表3 所示為入侵前、后從CANoe中檢測到的總線通信狀態(tài)統(tǒng)計(jì)結(jié)果。

表3 入侵前、后總線狀態(tài)對(duì)比

由表3 可知，入侵后總線上無錯(cuò)誤幀，表明仿真節(jié)點(diǎn)與實(shí)車節(jié)點(diǎn)在鏈路層通信上是吻合的，儀表也未報(bào)出CAN總線通信障及電機(jī)節(jié)點(diǎn)丟失故障，表明入侵成功。

4.2 算法驗(yàn)證

為了對(duì)算法進(jìn)行驗(yàn)證，采集了電機(jī)入侵環(huán)境數(shù)據(jù)，把處理后的數(shù)據(jù)放入訓(xùn)練好的模型中，部分結(jié)果整理如表4 所示。對(duì)數(shù)據(jù)進(jìn)行標(biāo)簽化處理，以便驗(yàn)證測試結(jié)果，標(biāo)簽1 表示正常數(shù)據(jù)，標(biāo)簽-1 均為表2 所示的異常入侵?jǐn)?shù)據(jù)，結(jié)果見表4。通過標(biāo)簽與預(yù)測值的對(duì)比發(fā)現(xiàn)，3 種數(shù)據(jù)改寫方式都被異常檢測模型分類為異常類，證明了模型的有效性。

表4 整理后的試驗(yàn)數(shù)據(jù)

5 結(jié)束語

本文研究了智能客車CAN 總線異常檢測方法，采集了上海市徐閔線公交車實(shí)際運(yùn)行數(shù)據(jù)，采用單分類支持向量機(jī)對(duì)數(shù)據(jù)模型進(jìn)行訓(xùn)練，交叉驗(yàn)證修正模型參數(shù)，各ID 模型檢測準(zhǔn)確率均高于97%。實(shí)車試驗(yàn)結(jié)果表明，此方法對(duì)異常值檢測有很好的效果。