CANGuard: KI-gestützte Erkennung von CAN-Angriffen im Internet der Fahrzeuge

Das Internet der Fahrzeuge (IoV) hat die Mobilität, Sicherheit und Effizienz im Straßenverkehr revolutioniert – gleichzeitig entstehen jedoch gravierende Sicherheitslücken. Besonders gefährlich sind Denial‑of‑Service‑ und Spoofing‑Angriffe auf den Controller Area Network (CAN) Bus, die die Kommunikation zwischen Fahrzeugkomponenten unterbrechen und potenziell die Kontrolle über das Fahrzeug gefährden können.

Um diesem Risiko entgegenzuwirken, präsentiert die neue Studie die CANGuard‑Architektur, ein hybrides Deep‑Learning-Modell, das Convolutional Neural Networks (CNN), Gated Recurrent Units (GRU) und ein Attention‑Mechanismus kombiniert. Durch die Verarbeitung von räumlichen und zeitlichen Mustern in CAN‑Daten erkennt CANGuard Angriffe mit hoher Präzision.

Die Leistung von CANGuard wurde anhand des CICIoV2024‑Datensatzes getestet und zeigt herausragende Ergebnisse in Genauigkeit, Präzision, Recall und F1‑Score. Im Vergleich zu bestehenden Methoden übertrifft es die aktuelle State‑of‑the‑Art-Leistung deutlich. Eine detaillierte Ablationsstudie verdeutlicht, wie jeder einzelne Bestandteil – CNN, GRU und Attention – zum Gesamterfolg beiträgt.

Zur Nachvollziehbarkeit der Entscheidungsfindung wurde zudem eine SHAP‑Analyse durchgeführt, die die wichtigsten Einflussfaktoren für die Erkennung von Angriffen identifiziert. Diese Erkenntnisse ermöglichen es, die Sicherheit von Fahrzeugnetzwerken gezielt zu verbessern und die Implementierung von CANGuard in realen IoV‑Umgebungen zu erleichtern.