一种基于集成学习的列车控制系统入侵检测方法

doi:10.3969/j.issn.1671-1122.2022.05.006

信息网络安全 ›› 2022, Vol. 22 ›› Issue (5): 46-53.doi: 10.3969/j.issn.1671-1122.2022.05.006

一种基于集成学习的列车控制系统入侵检测方法

王浩洋¹^,², 李伟³^,⁴, 彭思维³^,⁴, 秦元庆¹^,²()

1.华中科技大学人工智能与自动化学院,武汉 430074
2.华中科技大学图像信息处理与智能控制教育部重点实验室,武汉 430074
3.中车株洲电力机车有限公司智能网络研发部,株洲 412001
4.中车株洲大功率交流传动电力机车系统集成国家重点实验室,株洲 412001

收稿日期:2022-02-25 出版日期:2022-05-10 发布日期:2022-06-02
通讯作者: 秦元庆 E-mail:qinyuanqing@mail.hust.edu.cn
作者简介:王浩洋（1997—）,男,河南,硕士研究生,主要研究方向为工业控制系统信息安全防护|李伟（1992—）,男,湖南,工程师,硕士,主要研究方向为工业控制系统信息安全防护、软件形式化方法|彭思维（1994—）,女,湖南,工程师,硕士,主要研究方向为工业控制系统信息安全防护|秦元庆（1976—）,男,山东,副教授,博士,主要研究方向为工业控制系统信息安全防护、无线传感器网络
基金资助:
国家自然科学基金(61873103)

An Intrusion Detection Method of Train Control System Based on Ensemble Learning

WANG Haoyang¹^,², LI Wei³^,⁴, PENG Siwei³^,⁴, QIN Yuanqing¹^,²()

1. School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan 430074, China
2. MOE Laboratory of Image Processing and Intelligent Control, Wuhan 430074, China
3. Intelligent Network R & D Department of CRRC Zhuzhou Locomotive Co., Ltd., Zhuzhou 412001, China
4. The State Key Laboratory of Heavy Duty AC Drive Electric Locomotive Systems Integration of CRRC Zhuzhou Locomotive Co., Ltd., Zhuzhou 412001, China

Received:2022-02-25 Online:2022-05-10 Published:2022-06-02
Contact: QIN Yuanqing E-mail:qinyuanqing@mail.hust.edu.cn

摘要/Abstract

摘要：

文章提出一种基于集成学习的列车控制系统入侵检测方法,采用随机森林分类器实现一维多尺度卷积网络空间特征提取模型与自适应时间卷积网络时间特征提取模型的融合,降低网络泛化误差,提高入侵检测准确率。基于列车控制系统半实物仿真平台模拟的入侵检测数据集,文章对该方法进行实验评估和对比测试,结果证明,该方法更具优势。

关键词: 列车控制系统, 集成学习, 入侵检测, 卷积神经网络, 自适应计算时间

Abstract:

This paper proposes an intrusion detection method based on ensemble learning. The random forest classifier is used to integrate the spatial feature extraction model of one-dimensional multi-scale convolution network and the temporal feature extraction model of adaptive time convolution network, so as to reduce the network generalization error and improve the accuracy of intrusion detection. Based on the intrusion detection data set simulated by the hardware-in-the-loop simulation platform of train control system, this paper conducts experimental evaluation and comparative tests on the proposed intrusion detection method, and the results prove the advantages of the method.

Key words: train control system, ensemble learning, intrusion detection, convolutional neural network, adaptive computation time

中图分类号:

TP309

王浩洋, 李伟, 彭思维, 秦元庆. 一种基于集成学习的列车控制系统入侵检测方法[J]. 信息网络安全, 2022, 22(5): 46-53.

WANG Haoyang, LI Wei, PENG Siwei, QIN Yuanqing. An Intrusion Detection Method of Train Control System Based on Ensemble Learning[J]. Netinfo Security, 2022, 22(5): 46-53.

图/表 15

图1

图2

图3

图4

图5

图6

图7

图8

表1

表2

表3

图9

表4

表5

图10

参考文献 14

[1]	KIRRMANN H, ZUBER P A. The IEC/IEEE Train Communication Network[J]. IEEE Micro, 2001, 21(2): 81-92. doi: 10.1109/40.918005 URL
[2]	LI Siyuan, ZOU Yuchi, YANG Manli. Research on Information Security Protection of Train Network Based on Real-Time Ethernet[J]. China New Telecommunication, 2021(7): 127-128.
	李思源, 邹宇驰, 杨曼莉. 基于实时以太网的列车网络信息安全防护研究[J]. 中国新通信, 2021(7):127-128.
[3]	ANDERSON J P. Computer Security Threat Monitoring and Surveillance[EB/OL]. [2022-01-12]. https://www.mendeley.com/catalogue/0616cddb-7cb8-3132-85b2-aafd0deef6d5/.
[4]	TU Hao. Design and Implementation of Intrusion Detection System for Train Communication Network[D]. Wuhan: Huazhong University of Science and Technology, 2020.
	涂浩. 列车通信网络入侵检测系统的设计和实现[D]. 武汉: 华中科技大学, 2020.
[5]	WU Jiajie, WU Shaoling, WANG Wei. An Anomaly Delection and Location Algorithm Based on TCN and Attention Mechanism[J]. Netinfo Security, 2021, 21(11): 85-94.
	吴佳洁, 吴绍岭, 王伟. 基于TCN和注意力机制的异常检测和定位算法[J]. 信息网络安全, 2021, 21(11):85-94.
[6]	GAO Bing, BU Bing. A Novel Intrusion Detection Method in Train-Ground Communication System[J]. IEEE Access, 2019, 7: 178726-178743. doi: 10.1109/ACCESS.2019.2958198
[7]	SONG Yajie, BU Bing, ZHU Li. A Novel Intrusion Detection Model Using a Fusion of Network and Device States for Communication-Based Train Control Systems[EB/OL]. (2020-01-18) [2021-12-22]. https://doi.org/10.3390/electronics9010181.
[8]	SAXENA S, VERBEEK J. Convolutional Neural Fabrics[EB/OL]. [2022-01-12]. https://proceedings.neurips.cc/paper/2016/hash/07811dc6c422334ce36a09ff5cd6fe71-Abstract.html.
[9]	BISWAS P, SAMANTA T. Anomaly Detection Using Ensemble Random Forest in Wireless Sensor Network[J]. International Journal of Information Technology, 2021, 13(5): 2043-2052. doi: 10.1007/s41870-021-00717-8 URL
[10]	GRAVES A. Adaptive Computation Time for Recurrent Neural Networks[EB/OL]. [2022-01-22]. https://ui.adsabs.harvard.edu/abs/2016arXiv160308983G/abstract.
[11]	HUANG Jinchao, MA Yinghua, QI Kaiyue, et al. An Ensemble-Based Instrusion Detection Algorithm[J]. Journal of Shanghai Jiaotong University, 2018, 52(10): 1382-1387.
	黄金超, 马颖华, 齐开悦, 等. 一种基于集成学习的入侵检测算法[J]. 上海交通大学学报, 2018, 52(10):1382-1387.
[12]	LIANG Jie, CHEN Jiahao, ZHANG Xueqin, et al. One-Hot Encoding and Convolutional Neural Network Based Anomaly Detection[J]. Journal of Tsinghua University(Science and Technology), 2019, 59(7): 523-529.
[13]	CHOONG A C H, LEE N K. Evaluation of Convolutionary Neural Networks Modeling of DNA Sequences Using Ordinal Versus One-Hot Encoding Method[C]// IEEE. 2017 International Conference on Computer and Drone Applications(IConDA). New Jersey: IEEE, 2017: 60-65.
[14]	LV Xuefeng, XIE Yaobin. An Anomaly Detection Method for Industrial Control Systems via State Transition Graph[J]. Acta Automatica Sinica, 2018, 44(9): 1662-1671.
	吕雪峰, 谢耀滨. 一种基于状态迁移图的工业控制系统异常检测方法[J]. 自动化学报, 2018, 44(9):1662-1671.

设备名称	设备功能	数量
联果HR600-AFGM-20824AS-BP型号10口千兆工业级PoE交换机	构建列车控制系统半实物仿真平台以太网络	3
Raspberry Pi 4 Model B 2019 Quad Core 64 Bit WiFi Bluetooth (4 GB)	嵌入Raspbian系统和TRDP协议,模拟列车控制系统终端设备	16
U牛10口USB 3 A供电电源	向终端设备提供电源	3
40cm•30cm•30cm机柜	模拟3节车厢,放置相关设备	3
13.3、12.1英寸可触摸显示器	连接终端设备,显示状态	3
ThinkPad E431 62771Z5 / Kali Linux	接入网口,实现攻击注入	1
RedmiBook Pro 15 / Windows 10	接入网口,实现数据包捕获	1

标签	类型	数量/条	占比
正常	Normal	107010	41.7%
异常	DoS	130056	50.7%	58.3%
	MITM	10517	4.1%
	R2L	4526	1.8%
	U2R	2004	0.8%
	IMI	2524	0.9%

特征名称	特征描述	类型
Protocol type	协议类型	字符
Total length	总长度	数值
Source IP address	源IP地址	字符
Destination IP address	目的IP地址	字符
Time to live of IP	IP生存时间值	数值
Differentiate services field	区分服务字段	数值
Length of IP	IP长度	数值
Identification of IP	IP标识	数值
Flag of IP	IP标志	数值
UDP source port	UDP源端口	数值
UDP destination port	UDP目的端口	数值
Length of UDP	UDP长度	数值
TCP source port	TCP源端口	数值
TCP destination port	TCP目的端口	数值
Length of TCP	TCP长度	数值
Sequence number of TCP	TCP序列号	数值
Type of ICMP	ICMP类型	数值
Code of ICMP	ICMP代码	数值
Identifier of ICMP	ICMP标识符	数值
Source MAC address	源MAC地址	字符
Destination MAC address	目标MAC地址	字符
Sequence number of TRDP	TRDP序列号	数值
TRDP message type	TRDP消息类型	字符
TRDP communication ID	TRDP通信号	数值
ETB topology counter	ETB拓扑计数	数值
Operation topology counter	操作拓扑计数	数值
Length of TRDP	TRDP长度	数值
Reply communication ID	回复通信号	数值
Reply IP	回复IP地址	字符
BCU_Brk effort	总制动力	数值
BCUx_SRP	制动缸压力	数值
BCU_SpeedAvg	列车平均速度	数值

真实情况	预测结果
真实情况	正常流量	异常流量
正常流量	真正例（TP）	假反例（FN）
异常流量	假正例（FP）	真反例（TN）

	设备/功能	型号/库	版本
硬件	处理器	Intel® Core™ i3-9100F	—
	显卡	NVIDIA GTX 960	—
	内存	DDR4 2666MHz 16 GB	—
软件	操作系统	Windows 10	21H1
	编程语言	Python	3.6.15
	学习框架	TensorFlow	1.2.1
	神经网络	Keras	2.2.4
	数值计算	Numpy	1.19.5

一种基于集成学习的列车控制系统入侵检测方法

An Intrusion Detection Method of Train Control System Based on Ensemble Learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 14

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘峰, 杨成意, 於欣澄, 齐佳音. 面向去中心化双重差分隐私的谱图卷积神经网络[J]. 信息网络安全, 2022, 22(2): 39-46.
[2]	白宏鹏, 邓东旭, 许光全, 周德祥. 基于联邦学习的入侵检测机制研究[J]. 信息网络安全, 2022, 22(1): 46-54.
[3]	何红艳, 黄国言, 张炳, 贾大苗. 基于极限树特征递归消除和LightGBM的异常检测模型[J]. 信息网络安全, 2022, 22(1): 64-71.
[4]	刘烁, 张兴兰. 基于双重注意力的入侵检测系统[J]. 信息网络安全, 2022, 22(1): 80-86.
[5]	弋晓洋, 张健. 基于图像的网络钓鱼邮件检测方法研究[J]. 信息网络安全, 2021, 21(9): 52-58.
[6]	李彦霖, 蔡满春, 芦天亮, 席荣康. 遗传算法优化CNN的网站指纹攻击方法[J]. 信息网络安全, 2021, 21(9): 59-66.
[7]	李群, 董佳涵, 关志涛, 王超. 一种基于聚类分类的物联网恶意攻击检测方法[J]. 信息网络安全, 2021, 21(8): 82-90.
[8]	任涛, 金若辰, 罗咏梅. 融合区块链与联邦学习的网络入侵检测算法[J]. 信息网络安全, 2021, 21(7): 27-34.
[9]	杜晔, 王子萌, 黎妹红. 基于优化核极限学习机的工控入侵检测方法[J]. 信息网络安全, 2021, 21(2): 1-9.
[10]	王华忠, 程奇. 基于改进鲸鱼算法的工控系统入侵检测研究[J]. 信息网络安全, 2021, 21(2): 53-60.
[11]	杨铭, 张健. 基于图像识别的恶意软件静态检测模型[J]. 信息网络安全, 2021, 21(10): 25-32.
[12]	徐国天, 盛振威. 基于融合CNN与LSTM的DGA恶意域名检测方法[J]. 信息网络安全, 2021, 21(10): 41-47.
[13]	马骁, 蔡满春, 芦天亮. 基于CNN改进模型的恶意域名训练数据生成技术[J]. 信息网络安全, 2021, 21(10): 69-75.
[14]	沈也明, 李贝贝, 刘晓洁, 欧阳远凯. 基于主动学习的工业互联网入侵检测研究[J]. 信息网络安全, 2021, 21(1): 80-87.
[15]	李桥, 龙春, 魏金侠, 赵静. 一种基于LMDR和CNN的混合入侵检测模型[J]. 信息网络安全, 2020, 20(9): 117-121.