基于聚类混合采样与PSO-Stacking的车载CAN入侵检测方法

作     者：孙扬威 戚湧 SUN Yangwei;QI Yong

作者机构：南京理工大学计算机科学与工程学院南京210094 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2023年第49卷第1期

页      面：138-145页

学科分类：08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划政府间国际科技创新合作重点专项(2019YFE0123800) 欧盟地平线2020科研计划(LC-GV-05-2019) 江苏省“333高层次人才培养工程”科研项目(BRA2020044)。 

主　　题：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 

摘      要：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。