[发明专利]对于CAN总线的ECU映射和消息的受控消息误差和基准真值的基于ML电压指纹识别

说明书

对于CAN总线的ECU映射和消息的受控消息误差和基准真值的基于ML电压指纹识别。提供了使用机器学习模型来标识在诸如车载网络总线的通信总线上传输消息的电子控制单元，从而建立用于入侵检测系统的基准真值的系统、装置和方法。用于重叠消息标识（MID）号码的电压特征被折叠并针对单个ECU标签被训练。

背景技术

通信网络在诸如汽车、公共汽车、火车、工业车辆、农用车辆、船舶、飞行器、航天器、制造、工业、健康设备/器材、零售等之类的多种现代系统中实现。通常，网络协议用于促进系统中部件之间的信息通信。例如，像CAN总线的车载网络（IVN）可以用于提供促进电子控制单元（例如，微控制器、传感器、致动器等）之间的通信的基于消息的协议。然而，此类网络上日益增高数量的电子控制通信使系统暴露于各种类型的安全风险。因此，传输消息的设备的标识对于总体入侵检测系统（IDS）很重要。IDS可以用于降低旨在禁用、超车、重新编程或以其他方式禁止在其中部署网络的系统（诸如汽车）安全操作的攻击风险。

附图的若干个视图的简要描述

为了容易标识任何特定元素或动作的讨论，参考标号中的一个或多个最高有效位是指其中该元素首次引入的图号。

图1图示了根据一个实施例的系统100。

图2图示了根据一个实施例的主题的方面。

图3图示了根据一个实施例的主题的方面。

图4A图示了根据一个实施例的主题的方面。

图4B图示了根据一个实施例的主题的方面。

图5图示了根据一个实施例的存储设备500。

图6图示了根据一个实施例的主题的方面。

图7图示了根据一个实施例的车载通信架构700。

具体实施方式

本公开的各种实施例提供了在情境移位（context shift）已经发生之后为通信网络上的电子控制单元（ECU）建立“基准真值”。一般而言，指纹识别机制必须在每次情境移位之后被重新训练。本公开针对为经由通信总线耦合的ECU建立基准真值，这可以在诸如例如工业网络、车辆网络、制造网络、零售运营网络、仓储网络等之类的多种情境中实现。尽管车辆网络经常在本说明书中用作示例，但是权利要求不限于车载网络。

然而，使用车辆作为示例，现代车辆具有许多（通常是数百个）ECU。这些ECU经由诸如作为CAN总线的车载网络（IVN）可通信地连接。例如，存在多个ECU，用于发动机控制、变速器、安全气囊、防抱死制动、巡航控制、电动转向、音频系统、电动车窗、电动门、电动后视镜调整、电池、用于混合动力/电动汽车的再充电系统、环境控制系统、自动启停系统、盲点监视、车道保持辅助系统、碰撞避免系统以及在自主或半自主车辆情况下的更复杂的系统。

这些ECU的物理特性经常用于指纹识别方案中，以减轻恶意ECU伪装成有效ECU的风险。例如，在操作期间，ECU生成消息并将消息传输到IVN。这些消息的物理特性可以用于为每个ECU生成指纹。随后，该指纹可以用于确保指示为源自特定ECU（例如，防抱死制动ECU等）的消息确实源自真实的ECU。在许多入侵检测系统（IDS）中，机器学习（ML）模型被训练来推断消息或将消息分类到ECU标签。

在实际使用期间，用于训练ML模型的数据的“基准真值”或准确度与ML模型的准确度高度相关。因此，为此类IDS系统建立基准真值对于ML模型的初始训练是重要的。此外，在系统遇到情境移位的情况下，ML模型推断的准确度可能下降，并且不再有效。换句话说，其中测量物理特性的物理环境的改变可以改变每个ECU的指纹。例如，过夜停放的汽车将遇到可能影响汽车中ECU指纹的情境移位（例如，由于温度、湿度、车辆部件冷却等的改变）。照此，在情境移位之后，经常需要对ML模型进行重新训练。