Enhancing intrusion detection in vehicular networks through deep learning approaches

Aggarwal, Kanika (2023). Enhancing intrusion detection in vehicular networks through deep learning approaches. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

The recent expansion of the Internet of Things (IoT) has transformed vehicular networks into the Internet of Vehicles (IoV), where modern vehicles are exposed to various new types of cyber-attacks. In order to address these vulnerabilities, Intrusion Detection Systems (IDS) play a crucial role by effectively identifying and detecting attacks with a high level of accuracy while minimizing false alarms. Traditional Machine Learning (ML) approaches have been utilized to identify intruders in the network. However, they often suffer from low detection accuracy and high complexity, making them ill-suited for dynamic attacks. Therefore, there is a need for an advanced IDS suitable for real-time scenarios.

To enhance the security of IoV, we propose a novel IDS based on a generative hybrid deep learning (DL) model. The proposed model combines the Long Short-Term Memory Variational AutoEncoder (LSTMVAE), Bidirectional Gated Recurrent Units (BiGRU), and a softmax classifier. The LSTMVAE is employed as a statistical feature extraction technique capable of learning time series and multivariate data from the IoV network. The extracted features are then fed into the BiGRU and softmax classifier for the identification and classification of potential cyber-attacks in the IoV network. Experimental results based on the ToN-IoT dataset validate the superior performance of the proposed IDS over commonly used baseline techniques.

By leveraging the strengths of DL and generative models, the proposed IDS offers a more effective solution for attack detection in IoV networks. It addresses the limitations of traditional ML approaches and demonstrates improved accuracy and performance in identifying and classifying cyber-attacks. This research contributes to enhancing the security of IoV systems and mitigating the risks associated with the emerging threats.

Titre traduit

Améliorer la détection des intrusions dans les réseaux de véhicules grâce à des approches d’apprentissage en profondeur

Résumé traduit

L’expansion récente de l’Internet des objets (IoT) a transformé les réseaux de véhicules en Internet des véhicules (IoV), où les véhicules modernes sont exposés à divers nouveaux types de cyberattaques. Afin de remédier à ces vulnérabilités, les systèmes de détection d’intrusion (IDS) jouent un rôle crucial dans la détection efficace des attaques avec une grande précision et un faible taux de fausses alarmes. Les approches traditionnelles d’apprentissage automatique ont été utilisées pour identifier les intrus dans le réseau, mais elles souffrent souvent d’une faible précision de détection et d’une grande complexité, ce qui les rend mal adaptées aux attaques dynamiques. Par conséquent, il existe un besoin pour un IDS avancé adapté aux scénarios en temps réel.

Pour améliorer la sécurité de l’IoV, nous proposons un nouveau système de détection d’intrusion basé sur un modèle d’apprentissage en profondeur (DL) hybride génératif. Le modèle proposé combine le auto-encodeur variationnel à mémoire longue et à court terme (LSTMVAE), les unités récurrentes bidirectionnelles fermées (BiGRU) et un classificateur softmax. Le LSTMVAE est utilisé comme technique d’extraction de caractéristiques statistiques capable d’apprendre des séries chronologiques et des données multivariées à partir du réseau IoV. Les caractéristiques extraites sont ensuite introduites dans le classificateur BiGRU et softmax pour l’identification et la classification des cyber-attaques potentielles dans le réseau IoV. Les résultats expérimentaux basés sur l’ensemble de données ToN-IoT valident les performances supérieures de l’IDS proposé par rapport aux techniques de base couramment utilisées.

En tirant parti des atouts du DL et des modèles génératifs, l’IDS proposé offre une solution plus efficace pour la détection des attaques dans les réseaux IoV. Il répond aux limites des approches traditionnelles d’apprentissage automatique et démontre une précision et des performances améliorées dans l’identification et la classification des cyberattaques. Cette recherche contribue à renforcer la sécurité des systèmes IoV et à atténuer les risques associés aux menaces émergentes.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 57-62).
Mots-clés libres:	système de détection d’intrusion, Internet des véhicules (IoV), sécurité, mémoire longue à court terme, apprentissage en profondeur
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kaddoum, Georges
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	16 janv. 2024 15:18
Dernière modification:	16 janv. 2024 15:18
URI:	https://espace.etsmtl.ca/id/eprint/3333

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt