ترجمه فارسی مقاله یک سیستم تشخیص نفوذ چند مرحله ای قوی برای امنیت شبکه درون وسیله نقلیه با استفاده از یادگیری فدراسیون سلسله مراتبی

چکیده

As connected and autonomous vehicles proliferate, the Controller Area Network (CAN) bus has become the predominant communication standard for in-vehicle networks due to its speed and efficiency. However, the CAN bus lacks basic security measures such as authentication and encryption, making it highly vulnerable to cyberattacks. To ensure in-vehicle security, intrusion detection systems (IDSs) must detect seen attacks and provide a robust defense against new, unseen attacks while remaining lightweight for practical deployment. Previous work has relied solely on the CAN ID feature or has used traditional machine learning (ML) approaches with manual feature extraction. These approaches overlook other exploitable features, making it challenging to adapt to new unseen attack variants and compromising security. This paper introduces a cutting-edge, novel, lightweight, in-vehicle, IDS-leveraging, deep learning (DL) algorithm to address these limitations. The proposed IDS employs a multi-stage approach: an artificial neural network (ANN) in the first stage to detect seen attacks, and a Long Short-Term Memory (LSTM) autoencoder in the second stage to detect new, unseen attacks. To understand and analyze diverse driving behaviors, update the model with the latest attack patterns, and preserve data privacy, we propose a theoretical framework to deploy our IDS in a hierarchical federated learning (H-FL) environment. Experimental results demonstrate that our IDS achieves an F1-score exceeding 0.99 for seen attacks and exceeding 0.95 for novel attacks, with a detection rate of 99.99%. Additionally, the false alarm rate (FAR) is exceptionally low at 0.016%, minimizing false alarms. Despite using DL algorithms known for their effectiveness in identifying sophisticated and zero-day attacks, the IDS remains lightweight, ensuring its feasibility for real-world deployment.

چکیده به فارسی (ترجمه ماشینی)

همانطور که وسایل نقلیه متصل و خودمختار تکثیر می شوند ، اتوبوس شبکه کنترلر (CAN) به دلیل سرعت و کارآیی آن ، به استاندارد ارتباطات غالب برای شبکه های داخل وسایل نقلیه تبدیل شده است.با این حال ، اتوبوس CAN فاقد اقدامات اساسی امنیتی مانند احراز هویت و رمزگذاری است ، و این امر را در برابر حملات سایبری بسیار آسیب پذیر می کند.برای اطمینان از امنیت داخل خودرو ، سیستم های تشخیص نفوذ (IDS) باید حملات دیده شده را تشخیص داده و در حالی که وزن خود را برای استقرار عملی باقی می مانند ، دفاع قوی در برابر حملات جدید و غیب ارائه دهند.کار قبلی فقط به ویژگی CAN ID متکی بوده است یا از رویکردهای سنتی یادگیری ماشین (ML) با استخراج ویژگی های دستی استفاده کرده است.این رویکردها از سایر ویژگی های قابل بهره برداری غافل می شوند و سازگاری با انواع جدید حمله غیب و به خطر انداختن امنیت را به چالش می کشد.در این مقاله یک الگوریتم برش ، رمان ، سبک ، سبک ، در وسیله نقلیه ، IDS-Learanging ، Deep Learning (DL) برای پرداختن به این محدودیت ها معرفی شده است.ID های پیشنهادی از یک رویکرد چند مرحله ای استفاده می کنند: یک شبکه عصبی مصنوعی (ANN) در مرحله اول برای تشخیص حملات دیده شده و یک خودکار حافظه کوتاه مدت (LSTM) در مرحله دوم برای تشخیص حملات جدید و غیب.برای درک و تجزیه و تحلیل رفتارهای متنوع رانندگی ، مدل را با آخرین الگوهای حمله به روز کنید و حفظ حریم خصوصی داده ها ، یک چارچوب نظری را برای استقرار شناسه های خود در یک محیط یادگیری فدراسیون سلسله مراتبی (H-FL) پیشنهاد می کنیم.نتایج تجربی نشان می دهد که IDS ما برای حملات دیده شده و بیش از 0.95 برای حملات جدید ، با میزان تشخیص 99.99 درصد ، به یک نمره F1 بیش از 0.99 می رسد.علاوه بر این ، میزان زنگ هشدار کاذب (FAR) فوق العاده با 0.016 ٪ پایین است و هشدارهای دروغین را به حداقل می رساند.علیرغم استفاده از الگوریتم های DL که به دلیل اثربخشی آنها در شناسایی حملات پیشرفته و صفر روز شناخته شده اند ، IDS سبک وزن باقی مانده و از امکان امکان استقرار در دنیای واقعی اطمینان حاصل می کند.