一种基于汽车CAN良性流量的图神经网络多分类攻击检测方法

本发明涉及汽车控制区域网络(CAN)安全技术领域，提出了一种基于汽车CAN良性流量的图神经网络多分类攻击检测方案。该方案旨在解决传统深度学习多分类攻击检测方案因缺乏真实攻击数据而导致的高运营成本问题。具体包括以下步骤：首先，从汽车CAN网络良性流量中提取正常CAN ID序列，并通过统计分析获取高频CAN ID及其频率信息；其次，针对每个高频CAN ID生成不同攻击版本的CAN ID序列(如欺骗、冒充和伪装攻击)及其标签；然后，将这些序列转换为无向无权图数据集；最后，构建带注意力机制的图卷积网络，动态赋权邻接节点，提取关键特征，实现攻击分类。本方案无需依赖大量真实攻击数据和人工参与，显著降低了运营和维护成本，提升了汽车CAN总线的安全性。