基于机器学习的车联网安全监控系统

“家家有汽车，车车更智能”是现在社会、科技发展的趋势，智能网联车给人们带来便捷，但也存在着安全隐患。汽车内部的数据通过CAN总线（控制器局域网络总线）进行传输，一旦黑客入侵汽车的电子控制单元，CAN总线中的指令就有被伪造、监听的风险，黑客可以实现对汽车的控制，造成严重后果。因此我们开发了一款基于机器学习的车辆网安全监控系统。本系统的主要特色有：

1.  从车联网信息通讯角度出发，分析CAN总线的帧结构，以及安全隐患和可能带来的问题。

2.  在客户端，设计行驶信息可视模块，将从CAN总线转化而来的车门状态、车速、发动机转速等信息，生动地展示在前端界面，方便汽车管理员实时查看，可以借此判断汽车是否发生异常；通过环境指数查询接口，获得汽车行驶时的环境因素，管理员可以了解车主的大致行程，并提供行驶建议，提升用户体验。

3.  在服务器端，将机器学习算法应用于该系统的重要功能模块，对CAN总线数据集进行整理，并模拟注入攻击制作了负样本集，实现对指定ID的CAN总线报文，进行恶意报文检测。

4.  通过多次比较，选择将逻辑回归算法作为系统的识别算法，其准确率超过为93.66%，运行时间短，较其他算法有显著优势。

5.  系统具有良好的交互性，界面友好。前端选择使用elementUI等框架及FullCalendar组件进行设计，系统除具有行驶信息查看、模拟攻击、攻击取证等功能外，特别设计日程规划等其他实用性较强的功能。

6.  系统采取多因素分析的方式，将汽车状况、环境情况、车主行程集合考虑，使系统功能完备，性能提高，进而提升安全监测水平。