目前機器學習是研究車輛網絡入侵檢測技術的熱門方向，通過引入機器學習算法來識別車載總線上的網絡報文，可實現對車輛已知/未知威脅的入侵檢測。這種基于機器學習的異常檢測技術普適性較強，無需對適配車型進行定制化開發，但存在異常樣本采集數量大和訓練難度高的問題。本文將結合個人經驗對基于機器學習的汽車CAN總線異常檢測方法展開具體介紹。

01

車載異常檢測流程

基于機器學習的車載異常檢測的整體流程如圖1所示，其中關鍵環節包括輸入數據、數據預處理、訓練及測試算法、評估及優化。

圖1 基于機器學習的車載異常檢測整體流程

02

數據源

針對特定車型進行數據的采集，形成有特點的定制化數據集，并用此數據集進行智能算法的訓練與驗證。在實際應用中，工程師可以直接采用公開數據集作為模型訓練的數據，也可以通過實際采集車輛真實數據來獲取數據集。

公開數據集：公開數據集CAR-HACKING DATASET[1]中提供了汽車黑客數據，如圖2所示，其中包括 DoS 攻擊、模糊攻擊、驅動齒輪欺騙攻擊和RPM儀表欺騙攻擊四種類別的數據。該數據集是通過在執行消息注入攻擊時利用真實車輛的OBD-II端口記錄CAN流量來構建的。

其數據集特征包括Timestamp，CAN ID，DLC（數據長度碼），data（CAN數據字段），Flag（T或R，T代表注入信息，R代表正常信息）。公開數據集一般是經過公開驗證的，更具有通用性和代表性，便于進行不同算法異常檢測效果的比對。

圖2??CAR-HACKING DATASET[1]

實車數據集：數據源還可以通過實車采集的方式獲取，通過向車內注入特定的攻擊，并使用CAN采集工具對實車數據中的報文數據進行采集，采集時需要注意采集時間要盡可能平均。由此得到的實車數據集更加真實，其中可能包含一些公開數據集無法覆蓋的異常場景。此外，實車數據采集得到的數據集通常還需要進行預處理工作。

2.1?數據預處理

機器學習算法模型的質量很大程度取決于數據的質量。原始數據往往不利于模型的訓練，因此需要進行數據預處理以提高數據的質量，使其更好地適用模型。數據預處理過程一般包括特征選取、數據標準化及特征編碼，如圖3所示。在實際車載異常檢測應用中，最終選用的數據預處理方法通常會根據智能算法的不同而有所差異。

圖3 數據處理過程

2.2?特征選取

CAN報文的特征及描述如表1所示。記錄每一條數據的時間標識Time，每一條報文的序號為CAN ID，相同CAN ID報文出現的時間間隔為period。Payload部分通常將十六進制的信息轉換為十進制，根據CAN報文的特點，將payload劃分為8個特征位（byte0，byte1, byte2, byte3, byte4, byte5, byte6, byte7），它們全部分布在0~255之間。 一般輸入數據格式為Dataframe格式，對應的特征是Dataframe的列名稱。在進行不同算法的訓練時，選取包含指定特征值（某些列）的Dataframe進行后續數據標準化的操作。

表1 CAN報文特征

2.3?數據標準化

車載網絡報文的數據信號（數據payload部分）具有不同的量綱和取值范圍，通過標準化，在不改變樣本數據分布的同時，使得這些數值信號能夠進行比較。對于利用梯度下降的模型，數值型數據進行標準化可以削弱不同特征對模型的影響差異，使得梯度下降能更快地找到最優解，同時結果更可靠。對于決策樹這類不通過梯度下降而利用信息增益比的算法，則不需要進行數據標準化，整體流程如圖4所示。

標準化對樣本的payload特征分別進行計算使其滿足正態分布，Z=? (x- μ)/σ。一般情況下，標準化與數據分布相關，具有更強的統計意義，在車載入侵檢測數據的處理上更加通用合適。對于需要數據標準化的算法，使用Scikit-learn中preprocessing.StandardScaler(df)函數，df為需要標準化的數據（只含有payload部分的Dataframe），得到標準化后的數據特征編碼或直接進行訓練。

圖4 數據標準化流程

2.4?特征編碼

車載網絡報文中，數據場以外還存在一部分報文內容，如CAN ID。對于很多機器學習算法，分類器往往默認數據是連續的，并且是有序的，因此需要對此類特征進行編碼。對于維度較低的特征可以直接使用獨熱編碼。對于維度較高的特征，可以使用二進制編碼。 獨熱編碼是用等同于狀態數量的維度進行編碼，每種狀態下的獨熱編碼只有其中一位為1，其余均為0。編碼后的特征互斥，每次只有一個激活，有利于模型處理數據。 輸入數據集，如CAN ID經過one_hot(df)函數，將輸入數據進行one-hot編碼。一個CAN ID將變為16*3的向量，如圖5所示。該向量將作為訓練模型的輸入，進行后續的模型訓練工作。

圖5 CAN ID 特征編碼[1]

03

算法訓練及測試

3.1?數據集劃分

輸入數據集以71.5的比例劃分成訓練集、驗證集和測試集。訓練集數據只用來訓練模型，其數據不出現在算法測試中。驗證集主要是用來反映訓練得到模型的相關效果，也會在其上進行算法模型的優化與調試，反復驗證直到達到最佳效果。測試集主要表現模型的最終效果，測試集數據也是用來評價模型的數據，測試集數據不出現在算法訓練中。

數據集劃分流程如圖6所示，首先輸入數據采用Scikit-learn中model_selection.train_test_split()函數，此函數可以將數據集先劃分成7:3的訓練集和測試數據，然后再將測試數據集劃分成5:5的驗證集與測試集。

圖6 數據集劃分流程

3.2?SMOTE采樣

對于采集到的車載網絡數據，攻擊報文數量遠少于正常報文，造成了樣本類別不平衡。機器學習中往往假定訓練樣本各類別是同等數量，即各類樣本數目是均衡的。一般來說，不平衡樣本會導致訓練模型側重樣本數目較多的類別，而“輕視”樣本數目較少類別，這樣模型在測試數據上的泛化能力就會受到影響。通過SMOTE[2]（合成少數類過采樣技術），在少數類別樣本之間進行插值生成新的樣本，如圖7。相比隨機過采樣，SMOTE大大降低了過擬合的可能。

圖7 SMOTE采樣原理?[2]

在訓練模型前對各類別的訓練數據進行SMOTE過采樣的操作，SMOTE過采樣流程如圖8。使用imblearn.over_sampling中的SMOTE().fit_resample(X，Y)函數，其中X為輸入需要訓練的報文集合，Y為X中每一條報文的類別。經過SMOTE處理，各類別的報文數量會變得一樣多，可以進行下一步的操作。

圖8 SMOTE采樣流程

3.3?模型訓練

模型訓練是從標簽化訓練數據集中推斷出函數的機器學習任務。常用的模型訓練算法包括RNN（Recurrent Neural Network，循環神經網絡）、LSTM（Long Short-Term Memory，長短期記憶網絡）、GRU（Gated Recurrent Units，門控循環神經網絡）、DCNN（Dynamic Convolution Neural Network，深度卷積神經網絡）、SVM（Support Vector Machine，支持向量機）、DT（Decision Tree，決策樹）、RF（Random Forest，隨機森林）、XGBoost（Extreme Gradient Boosting，極端梯度提升）、Stacking（集成學習算法）、Clustering（聚類）等。

04

評估與優化

模型的總體優化流程如圖9所示，對模型測試的結果進行評估，根據評估的結果進一步優化模型。下面詳細闡述評估指標和優化方式。

4.1?評估指標

方案使用平均準確率、P-R曲線、F-score對模型進行評價。平均準確率是判斷入侵檢測算法優劣的最直觀的評價標準。P-R曲線和F-score能更加直觀地反映入侵檢測模型在特定數據集上的表現。本方案選擇平均準確率作為模型在驗證集上的評價指標，在超參數調優時，根據平均準確率選擇更優超參數組合。本方案選擇F-score作為模型在測試集上的評價指標，評價最終的模型效果。

圖9 模型優化流程

a）準確率 Accuracy

準確率公式為： Accuracy = (TP + TN) / (TP + TN + FP + FN) 其中，TP(true positive)是正例，代表被模型正確地預測為正類別的樣本。例如，模型推斷出某條報文是攻擊報文，而該報文確實是攻擊報文。TN(true negative)為假正例，代表被模型正確地預測為負類別的樣本。例如，模型推斷出某條報文不是攻擊報文，而該報文確實不是攻擊報文。FN (false negative)是假負例，代表被模型錯誤地預測為負類別的樣本。例如，模型推斷出某條報文不是攻擊報文（負類別），但該條報文其實是攻擊報文。

FP(false positive)為假正例，代表被模型錯誤地預測為正類別的樣本。例如，模型推斷出某條報文是攻擊報文（正類別），但該條報文其實不是攻擊報文。 準確率是指分類正確的樣本占總樣本個數的比例。在不同類別的樣本比例非常不均衡時，占比大的類別將成為影響準確率的主要因素。導致模型整體準確率很高，但是不代表對小占比類別的分類效果很好。

因此，使用平均準確率，即每個類別下的樣本準確率的算術平均作為模型評估的指標。 在超參數選擇階段，算法會根據各個超參數的準確率Accuracy，進行選擇。選擇準確率最高的超參數作為模型使用的超參數。

b）P-R曲線和F-score?

精確率P = TP / (TP+FP)，指分類正確的正樣本個數占分類器判定為正樣本的樣本個數的比例。召回率R = TP / (TP+FN)，指分類正確的正樣本個數占真正的正樣本個數的比例。通過F-score進行定量分析，同時考慮了精確率和召回率。? F-score =(1+β^2 )*P*R/(β^2*P+R) 智能分析使用F1-score作為指標，評價最終模型在測試集上的表現效果。

4.2?模型優化

入侵檢測使用到的機器學習和神經網絡模型包含大量的超參數，超參數直接影響了模型的優劣，尋找超參數的最優取值是至關重要的問題。通過超參數優化方法和K折交叉驗證，找到最優的超參數，使模型能夠準確地判斷報文類型。

a）K折交叉驗證

K折交叉驗證用于模型調優，測試模型預測未用于估計的新數據的能力，找到使得模型泛化性能最優的超參值。具體原理如圖10，將訓練數據分成K份，用其中的（K-1）份訓練模型，剩余的1份數據用于評估模型。循環迭代K次，并對得到的K個評估結果取平均值，得到最終的結果。

圖10 K折交叉驗證原理[3]

K值越小，模型越偏差越低、方差越高，容易出現過擬合。K值越大，則偏差提高，方差降低，且計算開銷增大。在訓練中我們一般選擇k=5。使用下面函數進行K折交叉驗證劃分，sklearn.model_selection.KFold(n_splits=5,shuffle=True,random_state=999).split(df),其中n_splits為交叉驗證的折數，shuffle表示是否打亂數據，random_state為隨機種子，df為訓練數據。

b）超參數優化 超參數優化方法主要有：網格搜索和貝葉斯優化。

網格搜索：以窮舉的方式遍歷所有可能的參數組合，網格搜索在1維、2維、3維的搜索空間表現相對來說不錯，很容易覆蓋到空間的大部分，而且耗時不大。使用sklearn.model_selection中的GridSearchCV ()進行超參數選擇和交叉驗證。

貝葉斯優化：網格搜索和隨機搜索沒有利用已搜索點的信息，使用這些信息指導搜索過程可以提高結果的質量以及搜索的速度。貝葉斯優化利用之前已搜索點的信息確定下一個搜索點，用于求解維數不高的黑盒優化問題。它的本質其實是一種回歸模型，即利用回歸模型預測的函數值來選擇下一個搜索點。使用hyperopt中的fmin()函數進行貝葉斯優化,給出最優模型參數。 以訓練集的交叉驗證結果作為性能度量。根據模型的超參數數量、取值范圍、性能影響等因素，選擇不同的超參數優化方法，對模型進行參數優化。

05

小結

面向智能網聯汽車無線通信系統、車載娛樂系統、駕駛輔助系統以及典型智能網聯場景，機器學習作為車載網絡入侵檢測中至關重要的一項技術，可實現對已知/未知攻擊行為的特征識別檢測，最終助力車端和云端安全聯動，保障車載網絡的信息安全。

?

審核編輯：劉清