Behavioral Residualization for Unsupervised Intrusion Detection in Automotive CAN Networks
作者: Chandan Hegde, Mukundh R Reddy
分类: cs.CR, cs.LG
发布日期: 2026-08-06
备注: 9 pages, 5 figures, 8 tables
💡 一句话要点
提出行为残差化方法以解决汽车CAN网络的无监督入侵检测问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 入侵检测 汽车网络 行为残差化 无监督学习 CAN总线 网络安全 特征提取
📋 核心要点
- 现有的CAN入侵检测系统主要依赖于基于存在的特征，无法有效应对攻击者重用合法仲裁ID的情况。
- 本文提出的行为残差化方法通过提取特征并与正常基线进行比较，增强了对复杂攻击的检测能力。
- 在多个数据集上，残差化方法在大多数评估中提高了F1得分，特别是在更具挑战性的ROAD数据集上表现优异。
📝 摘要（中文）
现代汽车依赖于控制器局域网（CAN）总线，其设计优先考虑低成本和实时性能，但缺乏消息认证和加密。因此，攻击者可以注入任意帧，这使得入侵检测成为重要的防御机制。现有的CAN入侵检测系统主要依赖于基于存在的特征，但在攻击者重用合法仲裁ID时效果不佳。本文提出了一种针对CAN的行为残差化表示，从滑动窗口中提取十四个时间、协议和有效载荷特征，并与每个仲裁ID的正常基线进行残差化。实验结果表明，该表示在多个无监督检测器和数据集上显著提高了检测性能。
🔬 方法详解
问题定义：本文旨在解决汽车CAN网络中入侵检测的有效性问题，现有方法在攻击者重用合法仲裁ID时表现不佳，导致检测能力下降。
核心思路：提出的行为残差化方法通过提取仲裁ID的特征并与其正常基线进行比较，增强了对异常行为的检测能力，克服了传统方法的局限性。
技术框架：整体架构包括特征提取模块、残差化处理模块和检测模块。特征提取模块从滑动窗口中提取时间、协议和有效载荷特征，残差化处理模块将这些特征与正常基线进行比较，最后通过无监督检测器进行异常检测。
关键创新：最重要的技术创新在于提出了针对每个仲裁ID的行为残差化表示，这一方法显著提高了检测性能，与传统的基于存在的特征方法有本质区别。
关键设计：在特征提取中，提取了十四个特征，使用滑动窗口技术进行处理，残差化过程则确保了每个仲裁ID的特征与其正常状态进行比较，以提高检测的准确性。实验中使用了多种无监督检测器进行评估。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在HCRL数据集上，残差化方法在21个评估中提高了F1得分，而在ROAD数据集上则在30个评估中表现优异，特别是在针对信号操控攻击时，召回率达到0.99，ROC-AUC值也很高，显示出该方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括汽车安全、智能交通系统以及任何依赖于CAN总线的嵌入式系统。通过有效的入侵检测机制，可以显著提高车辆的安全性，防止恶意攻击，保护乘客和车辆的安全。未来，该方法还可扩展到其他类型的网络安全防护中。
📄 摘要（原文）
Modern vehicles rely on the Controller Area Network (CAN) bus, whose design prioritizes low cost and real-time performance but provides no message authentication or encryption. An attacker with physical or remote access can therefore inject arbitrary frames, making intrusion detection an important defense-in-depth mechanism. Most published CAN intrusion detection systems rely on presence-based features, such as novel arbitration IDs, frozen payload bytes, or anomalous DLC values. These features perform well on public datasets containing easily separable attacks but fail when attackers reuse legitimate arbitration IDs. We present per-ID behavioral residualization, a CAN-specific representation that extracts fourteen temporal, protocol, and payload features from sliding windows and residualizes them against each arbitration ID's normal baseline. Our central claim is that this representation, rather than any individual detector, drives the performance gains. Across six unsupervised detectors and two datasets, residualization improves mean F1 in the majority of evaluations (21/24 on HCRL and 30/36 on ROAD across five seeds). On the more realistic ROAD dataset, where attacks reuse legitimate IDs, the representation achieves recall >= 0.99 with high ROC-AUC on targeted signal-manipulation attacks. Two limitations are explicitly quantified: novel-ID flooding (HCRL DoS, F1 = 0.02) and cross-ID fuzzing (ROAD, F1 = 0.27), defining the measured coverage boundary of the proposed representation.