STATGRAPH：通过多视图统计图学习实现有效的车内入侵检测

《IEEE Transactions on Mobile Computing》：STATGRAPH: Effective in-Vehicle Intrusion Detection via Multi-View Statistical Graph Learning

基于多视图统计图学习的车辆网络入侵检测框架STATGRAPH，通过构建时间关联图和耦合关系图捕捉CAN消息时序特征与上下文关联，结合轻量级多层图卷积网络实现高效伪装攻击检测，在真实数据集上F1值提升7%和22%，代码开源。

　　

摘要：

车载网络（IVNs）面临着日益严重的网络攻击威胁，尤其是那些能够模仿合法消息模式的隐蔽伪装攻击。本文提出了一种名为STATGRAPH的细粒度入侵检测框架，该框架基于对车载网络中控制器局域网（CAN）消息的多视图统计图学习技术。STATGRAPH在每个检测窗口内构建两个图：一个是时间相关性图（TCG），用于捕捉消息之间的时间依赖关系；另一个是耦合关系图（CRG），用于建模短期上下文关系。TCG和CRG进一步用于生成编码消息载荷变化和信号共现情况的图结构。随后，我们应用了一个轻量级的多层图卷积网络（GCN）对每条消息进行分类，充分利用TCG和CRG提供的表达能力。为了确保对多种攻击的有效性，我们在两个真实的CAN数据集上对STATGRAPH进行了评估，这些数据集包含了五种尚未被充分研究的伪装攻击类型。实验结果表明，STATGRAPH显著提升了检测的精细度，并且在保持最高准确率的同时，F1分数分别提高了7%和22%。代码可在此处获取：https://github.com/wangkai-tech23/StatGraph