• ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

小样本条件下列车通信网络攻击样本生成方法

岳川 王立德 闫海鹏

岳川, 王立德, 闫海鹏. 小样本条件下列车通信网络攻击样本生成方法[J]. 西南交通大学学报, 2023, 58(6): 1277-1285. doi: 10.3969/j.issn.0258-2724.20210557
引用本文: 岳川, 王立德, 闫海鹏. 小样本条件下列车通信网络攻击样本生成方法[J]. 西南交通大学学报, 2023, 58(6): 1277-1285. doi: 10.3969/j.issn.0258-2724.20210557
YUE Chuan, WANG Lide, YAN Haipeng. Attack-Sample Generation Method for Train Communication Network Under Few-Shot Condition[J]. Journal of Southwest Jiaotong University, 2023, 58(6): 1277-1285. doi: 10.3969/j.issn.0258-2724.20210557
Citation: YUE Chuan, WANG Lide, YAN Haipeng. Attack-Sample Generation Method for Train Communication Network Under Few-Shot Condition[J]. Journal of Southwest Jiaotong University, 2023, 58(6): 1277-1285. doi: 10.3969/j.issn.0258-2724.20210557

小样本条件下列车通信网络攻击样本生成方法

doi: 10.3969/j.issn.0258-2724.20210557
基金项目: 中国国家铁路集团有限公司科技研究开发计划(N2020J007)
详细信息
    作者简介:

    岳川(1993—),男,博士研究生,研究方向为列车牵引控制与网络,E-mail:16117394@bjtu.edu.cn

    通讯作者:

    王立德(1960—),男,教授,研究方向为列车牵引控制与网络,E-mail:ldwang@bjtu.edu.cn

  • 中图分类号: U285.8

Attack-Sample Generation Method for Train Communication Network Under Few-Shot Condition

  • 摘要:

    基于深度学习的列车通信网络入侵检测需要充足的训练样本支撑,然而实际可获取的列车通信网络攻击样本非常少. 本文将生成对抗网络(GAN)应用于攻击样本生成任务中,对GAN的采样策略、约束条件与损失函数进行改进,设计了基于卷积神经网络的生成器与判别器,提出一种基于改进GAN的攻击样本生成方法. 基于此方法开展了样本生成实验与入侵检测实验. 结果表明,该方法能够生成有效的攻击样本,改进模型的训练效果,模型的F1分数平均增加了4.23%.

     

  • 图 1  GMCW-GAN的整体结构

    Figure 1.  Overall structure of GMCW-GAN

    图 2  生成器网络结构

    Figure 2.  Network structure of generator

    图 3  判别器网络结构

    Figure 3.  Network structure of discriminator

    图 4  ETCN半实物实验平台

    Figure 4.  Hardware-in-the-loop experimental platform of ETCN

    图 5  入侵检测模型的结构

    Figure 5.  Network structure of intrusion detection model

    图 6  真实样本与生成样本的三维空间表示

    Figure 6.  3D representation of real and generated samples

    图 7  TADS、TADS-F、TADS-L数据集分别训练的DNN入侵检测模型的F1分数

    Figure 7.  F1 score of DNN intrusion detection models trained by TADS, TADS-F, and TADS-L

    图 8  不同生成方法对入侵检测F1分数的影响对比

    Figure 8.  Comparison of data generation methods affecting F1 score in intrusion detection

    图 9  2项类内改进方法对入侵检测的影响对比

    Figure 9.  Comparison of two in-class improvements affecting intrusion detection

    表  1  TADS的样本分布

    Table  1.   Sample distribution of TADS

    攻击类别样本数量/个比例/%
    IP 扫描 10648 44.89
    端口扫描 9562
    漏洞扫描 11257
    篡改 9301
    重放 8872
    ARP 欺骗 9525
    正常报文 72643 55.11
    下载: 导出CSV

    表  2  TADS-F的样本分布

    Table  2.   Sample distribution of TADS-F

    攻击类别样本数量/个比例/%
    IP 扫描5003.97
    端口扫描500
    漏洞扫描500
    篡改500
    重放500
    ARP欺骗500
    正常报文72643 96.03
    下载: 导出CSV

    表  3  TADS-L的样本分布

    Table  3.   Sample distribution of TADS-L

    攻击类别样本数量/个比例/%
    IP 扫描1000045.23
    端口扫描10000
    漏洞扫描10000
    篡改10000
    重放10000
    ARP 欺骗10000
    正常报文7264354.77
    下载: 导出CSV

    表  4  不同生成方法对入侵检测模型虚警率的影响对比

    Table  4.   Comparison of data generation methods affecting FPR of intrusion detection models %

    方法ROSSMOTEGAN文献[8]文献[9]本文方法
    虚警率12.512.112.212.412.212.4
    下载: 导出CSV
  • [1] 简捷. 基于以太网的列车通信网络多业务调度优化策略研究[D]. 北京: 北京交通大学, 2020.
    [2] FENG J, LU X, YANG W, et al. Survey of development and application of train communication network[C]//Proceedings of the 2015 International Conference on Electrical and Information Technologies for Rail Transportation. Berlin: Springer, 2016: 843-854.
    [3] KUROSE J F, ROSS K W. Computer networking: a top-down approach. 7th edition[M]. [S.l.]: Cenveo Publishing Services, 2017.
    [4] 赵凯琳,靳小龙,王元卓. 小样本学习研究综述[J]. 软件学报,2021,32(2): 349-369.

    ZHAO Kailin, JIN Xiaolong, WANG Yuanzhuo. Survey on few-shot learning[J]. Journal of Software, 2021, 32(2): 349-369.
    [5] TAN X, SU S, HUANG Z, et al. Wireless sensor networks intrusion detection based on SMOTE and the random forest algorithm[J]. Sensors, 2019, 19(203): S19010203.1-S19010203.15. doi: 10.3390/s19010203
    [6] 刘金平,周嘉铭,刘先锋,等. 基于聚类簇结构特性的自适应综合采样法在入侵检测中的应用[J]. 控制与决策,2021,36(8): 1920-1928.

    LIU Jinping, ZHOU Jiaming, LIU Xianfeng, et al. Toward intrusion detection via cluster structure-based adaptive synthetic sampling approach[J]. Control and Decision, 2021, 36(8): 1920-1928.
    [7] GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial nets[J]. Advances in Neural Information Processing Systems, 2014, 27: 2672-2680.
    [8] ANDRESINI G, APPICE A, DE ROSE L, et al. GAN augmentation to deal with imbalance in imaging-based intrusion detection[J]. Future Generation Computer Systems, 2021, 123: 108-127. doi: 10.1016/j.future.2021.04.017
    [9] HUANG S, LEI K. IGAN-IDS: an imbalanced generative adversarial network towards intrusion detection system in ad-hoc networks[J]. Ad Hoc Networks, 2020, 105: 102177.1-102177.11. doi: 10.1016/j.adhoc.2020.102177
    [10] REYNOLDS D A. Gaussian mixture models[J]. EncycLopedia of Biometrics, 2009, 741: 659-663.
    [11] ARJOVSKY M, CHINTALA S, BOTTOU L. Wasserstein generative adversarial networks[C]// Proceedings of the 3th International Conference on Machine Learning. Sydney: [s.n.], 2017: 214-223.
    [12] VILLANI C. Optimal transport: old and new[M]. Berlin: Springer, 2009.
    [13] MAAS A L, HANNUN A Y, NG A Y. Rectifier nonlinearities improve neural network acoustic models[C]// Proceedings of the 30th International Conference on Machine Learning. Atlauta: ICML, 2013: 3-9.
    [14] YUE C, WANG L, WANG D, et al. An ensemble intrusion detection method for train ethernet consist network based on CNN and RNN[J]. IEEE Access, 2021, 9: 59527-59539. doi: 10.1109/ACCESS.2021.3073413
    [15] GIBERT D, MATEU C, PLANES J. The rise of machine learning for detection and classification of malware: research developments, trends and challenges[J]. Journal of Network and Computer Applications, 2020, 153: 102526.1-102526.22. doi: 10.1016/j.jnca.2019.102526
    [16] VAN DER MAATEN L, HINTON G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2009, 9(11): 2579-2605.
  • 加载中
图(9) / 表(4)
计量
  • 文章访问数:  313
  • HTML全文浏览量:  131
  • PDF下载量:  51
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-07-14
  • 修回日期:  2021-12-31
  • 网络出版日期:  2023-08-25
  • 刊出日期:  2022-04-01

目录

    /

    返回文章
    返回