ROAD dataset

ROAD数据集由美国橡树岭国家实验室创建，用于测试汽车入侵检测系统。该数据集包含33次攻击捕获和12次环境捕获，涵盖多种隐蔽和复杂的攻击类型。数据集通过真实的车辆动态测试收集，旨在提供一个更真实、全面的测试平台，以评估入侵检测系统的有效性。

The ROAD dataset was created by Oak Ridge National Laboratory of the United States for testing automotive intrusion detection systems. It contains 33 attack captures and 12 ambient captures, covering a wide range of stealthy and complex attack types. The dataset was collected through real-world vehicle dynamic tests, and is designed to provide a more realistic and comprehensive testbed for evaluating the effectiveness of intrusion detection systems.

搜集汇总

数据集介绍

构建方式

ROAD数据集的构建方式是通过在橡树岭国家实验室（ORNL）的测功机上对一辆未公开的车辆进行30分钟内的33次攻击捕获，以及3小时内的12次环境捕获。这些捕获的数据涵盖了各种良性的驾驶行为，并在真实车辆上验证了攻击的有效性。数据集的标注是通过作者提供的捕获元数据文件进行的，该文件包含了攻击发生的区间、使用的ID以及数据字段中的注入字节等信息。这种构建方式确保了数据集的真实性和多样性，使其成为测试入侵检测系统（IDS）的有效工具。

使用方法

使用ROAD数据集进行入侵检测系统（IDS）的训练和评估，首先需要对数据进行预处理，包括解析元数据文件进行标注，将数据转换为CAN ID、DLC（如果可用）和数据字段，并对数据进行归一化和分割。对于深度学习模型，如基于Transformer的注意力网络（TAN）、深度卷积神经网络（DCNN）和长短期记忆网络（LSTM），需要创建数据帧或序列以适应模型的输入要求。对于传统的机器学习模型，如随机森林、LightGBM和LCCDE，可以直接使用单帧数据作为输入。数据集的使用还包括将数据集分割为训练集和测试集，并使用过采样技术来平衡不同攻击类别的样本数量。最终，通过评估模型的精确率、召回率和F1分数来比较不同IDS的性能。

背景与挑战

背景概述

随着现代车辆中数字设备的集成，汽车技术得到了革命性的发展，提高了安全性并改善了整体的驾驶体验。控制器局域网(CAN)总线是管理车内电子控制单元(ECU)之间通信的核心系统。然而，由于固有的漏洞，CAN协议在安全性方面面临着挑战，缺乏加密和认证，加上攻击面的扩大，这就需要强有力的安全措施。为了应对这一挑战，已经开发和部署了许多入侵检测系统(IDS)。然而，在现有文献中，一个开放、全面和真实的测试IDS有效性的数据集仍然缺失。本文通过考虑最新的ROAD数据集，该数据集包含隐蔽和复杂的注入，来解决这一差距。研究方法包括数据集标记和最先进的深度学习模型以及传统机器学习模型的实施，以展示在文献中最常用的数据集和ROAD数据集之间性能的差异，ROAD数据集是一个更现实的替代方案。

当前挑战

ROAD数据集面临的挑战包括：1) IDSs在解决领域问题（例如：图像分类）方面的挑战；2) 构建过程中所遇到的挑战。

常用场景

经典使用场景

ROAD数据集被广泛应用于汽车控制器局域网(CAN)的入侵检测系统(IDS)研究中。该数据集包含了各种复杂的攻击场景，如模糊攻击、目标ID伪造攻击和伪装攻击等，为研究者提供了真实的攻击数据，以评估IDS的性能和有效性。通过对ROAD数据集进行标注和实验，研究者可以比较不同IDS模型在检测不同攻击类型时的性能差异，从而为汽车网络安全提供有效的防护措施。

解决学术问题

ROAD数据集解决了现有文献中缺乏一个开放、全面、真实的测试IDS有效性的数据集的问题。该数据集包含了11种不同的攻击类型，并且是在真实车辆上验证的，从而提供了更真实的攻击场景。此外，ROAD数据集还包含了环境数据，为研究者提供了更全面的车辆通信数据，有助于提高IDS的检测准确性和鲁棒性。

实际应用

ROAD数据集的实际应用场景主要包括汽车网络安全、入侵检测和车辆通信等领域。通过对ROAD数据集的研究和应用，研究者可以开发出更有效的IDS，以保护汽车免受网络攻击的威胁。此外，ROAD数据集还可以用于车辆通信的研究和开发，以提高车辆通信的安全性和可靠性。

数据集最近研究

最新研究方向

随着现代汽车中数字设备的集成，汽车技术得到了革命性的发展，提高了安全性和驾驶体验。控制器区域网络（CAN）总线是管理车辆内部电子控制单元（ECUs）之间通信的核心系统。然而，由于CAN协议固有的漏洞，缺乏加密和认证，以及攻击面的扩大，需要强大的安全措施。为了应对这一挑战，已经开发和部署了大量的入侵检测系统（IDS）。然而，现有的文献中仍然缺乏一个开放、全面和真实的测试IDS有效性的数据集。本文通过考虑最新的ROAD数据集，其中包含隐蔽和复杂的注入，来填补这一空白。研究方法涉及数据集标注，以及最先进的深度学习模型和传统机器学习模型的实现，以展示文献中最常用的数据集与ROAD数据集（一个更现实的替代方案）之间的性能差异。

相关研究论文

• AI-Driven Intrusion Detection Systems (IDS) on the ROAD dataset: A Comparative Analysis for automotive Controller Area Network (CAN)

  电信巴黎学院，巴黎综合理工学院 · 2024年