出品 | 汽车电子与软件
一、CAN总线介绍和车辆中的作用
CAN（Controller Area Network）总线是一种高效、可靠的串行通信协议。它采用多主竞争式总线结构，支持多节点同时发送数据，能自动仲裁优先级，避免数据冲突。CAN总线使用差分信号传输，抗干扰能力强，传输距离远，最高可达1Mbps速率。
在车辆中，CAN总线如同“神经中枢”，将发动机控制单元、ABS系统、仪表盘、娱乐系统等多个电子控制单元（ECU）连接起来。它减少了车辆线束数量，降低成本和故障率。通过CAN总线，各ECU间可快速交换数据，比如发动机转速、车速、刹车信号等信息，让车辆各系统协同工作，提升驾驶安全性与舒适性。此外，CAN总线还支持故障诊断，方便维修人员快速定位问题，保障车辆稳定运行。
图 CAN bus在车辆中，图片来自网络
通信时，CAN 总线以帧为单位传输数据，常见帧类型包括数据帧、远程帧等，数据帧携带实际数据，远程帧用于请求数据。总线通过差分信号工作，两根数据线（CAN_H 和 CAN_L）的电压差表示逻辑 “0” 或 “1”，当差值大于 2V 为显性电平（逻辑 0），小于 0.5V 为隐性电平（逻辑 1）。
所谓差分信号传输是一种利用两根信号线（通常称为正信号线（CAN_H）和负信号线（CAN_L））传输信号的技术，通过两根线的电压差（即 “差分电压”）来表示逻辑状态。这种传输方式在 CAN 总线中被广泛使用，是其抗干扰能力强、传输距离远的核心技术之一。
CAN 总线具备错误检测与自动重发机制，节点接收数据时，通过循环冗余校验（CRC）等方式检测错误，一旦发现错误，立即发送错误帧，要求发送节点重新传输数据，保障数据准确可靠。
图 CAN数据帧，来自网络
CAN 总线不是传统意义上的广播模式，而是一种多主节点的总线式通信方式，其数据传输特性与广播有相似性，但机制不同。
CAN 总线的通信特点：多主节点，数据广播式发送
发送方式类似广播：
当某个节点向 CAN 总线发送数据时，总线上的所有其他节点都会接收到该数据，这一点与广播（单发送端、多接收端）类似。
例如：发动机控制单元（ECU）发送 “转速数据” 时，仪表盘、变速箱 ECU 等节点都会收到该信息。
CAN 总线支持多主节点竞争式发送—— 任意节点都可以主动发送数据，且发送的数据会被所有节点监听。因此，它更像是 “多对多” 的共享总线通信，而非单一发送端的广播。
但存在与广播的核心区别：仲裁机制与接收选择性
（1）仲裁机制避免冲突
传统广播无需处理发送冲突（单发送端），但 CAN 总线允许多个节点同时发送数据，因此引入了非破坏性仲裁机制：每个数据帧包含标识符（ID），ID 越小优先级越高。
当多个节点同时发送时，总线会逐位比较 ID，优先级低的节点自动停止发送，高优先级节点继续传输，确保数据不冲突。
（2）接收端可选择性过滤数据
传统广播的接收端只能被动接收所有数据，而 CAN 节点通过验收滤波器（Filter）选择性接收所需数据：每个节点预先设置过滤规则（如只接收特定 ID 的数据），不符合规则的数据会被直接丢弃。
例如：仪表盘只关心车速、转速等数据，会过滤掉与自身无关的发动机故障码信息。
CAN 总线本身是基于有线（双绞线）的通信协议，设计初衷是通过物理线缆实现可靠的近距离通信（如车辆内部）。在实际应用中，如果实在要无线扩展，可通过无线通信技术扩展，实现 “类 CAN” 的无线数据传输，具体实现方式和特点如下：
通过有线接口（如 CAN 收发器）连接传统 CAN 总线，再通过无线模块（如蓝牙、Wi-Fi、Zigbee、LoRa 等）将数据转换为无线信号传输。例如：在工业设备中，用蓝牙模块将 CAN 数据转发至手机或云端，实现无线监控。这种无线扩展本质只是用无线连接代替了中间一段实物双绞线来连接。
图 CAN总线作为介质的双绞线，很便宜（十来块钱），经济性也是CAN普及的原因之一，图片来自CSDN
理解CAN总线的基本性质，是什么和不是什么，才能有效理解对CAN线入侵的防御。
二、如何侵入CAN线：攻击模式和防御对策
CAN在多数形态下是物理有线的，看起来似乎是不太容易入侵的，因为没有物理接口，特别是在车辆运动时，更不能在上面插接口。但实际上有多种入侵方式，枚举如下：
物理层攻击
1. 直接接入攻击
方式：通过物理接触 CAN 总线（如 OBD-II 接口、线束），连接自制设备注入伪造数据帧。
图 OBD-II接口示意图，来自网络
案例：2015 年安全研究员 Charlie Miller 和 Chris Valasek 远程入侵 Jeep Cherokee，通过篡改 CAN 数据控制车辆转向、刹车。防御：物理隔离：限制 OBD-II 接口访问（如加装机械锁、车辆停放时断开连接）。
硬件加密：使用带硬件加密的 CAN 收发器（如 NXP SJA1000T/3），对数据帧进行加密认证。
电磁干扰（EMI）
方式：通过强电磁辐射干扰 CAN 总线的差分信号传输，导致数据错误或节点异常。防御：屏蔽线缆：使用双层屏蔽 CAN 专用线缆，降低外部电磁干扰。
共模扼流圈：在线路中加入共模扼流圈，抑制共模干扰信号。这个主要是硬件方案防御。
数据链路层攻击
1. 伪造数据帧
方式：攻击者伪装成合法节点，发送伪造的高优先级数据帧（如加速、刹车指令）。防御：消息认证码（MAC）：对每个 CAN 帧附加 MAC，接收端验证签名后才处理数据。
动态 ID 分配：定期更换 CAN 帧的标识符（ID），增加攻击难度。
2. 拒绝服务（DoS）攻击（也就是互联网说的洪水攻击，用垃圾信息淹没有效信息）
方式：通过持续发送低优先级帧或错误帧，阻塞总线带宽，导致合法通信中断。防御：错误计数器监控：节点检测到连续错误时自动进入“总线关闭” 状态，防止 DoS 攻击扩散。
流量整形：限制单个节点的发送频率，确保关键信号优先传输。
这种攻击的关键是攻击者如何伪装成合法节点？如果不能物理接触和物理改造车辆的话。
其实主要还是基于无线的远程攻击。
攻击者即使无法物理接触车辆，仍可通过远程或间接手段伪装成合法ECU节点，以下是具体攻击路径和方式：
通过车载无线接口入侵
攻击入口 | 利用方式 | 案例/原理 |
车载Wi-Fi/蓝牙 | 破解车机或T-Box的无线模块，通过未隔离的网络访问CAN总线 | 特斯拉被远程解锁事件（2016年）（《汽车网络安全攻击实例解析》） |
蜂窝网络（4G/5G） | 利用车联网服务漏洞（如APP API缺陷）注入恶意指令 | 现代汽车APP漏洞（2022年） |
OTA升级漏洞 | 篡改固件更新包，植入恶意CAN指令 | 攻击者伪造升级包控制ECU |
中继攻击（Relay Attack）
原理：通过信号中继放大钥匙扣的RFID信号，欺骗车辆认为钥匙在附近，从而解锁并启动车辆。
工具：使用低成本设备（如HackRF、Proxmark）在数米外中继信号。
典型攻击链如下：
攻击者->>车载Wi-Fi: 破解弱密码
车载Wi-Fi->>网关: 绕过防火墙
网关->>CAN总线: 注入伪造报文（ID=0x2E0）
CAN总线->>引擎ECU: 执行恶意指令（如熄火）
应用层攻击
1. 诊断服务滥用
方式：利用 UDS（统一诊断服务）协议的漏洞，通过 OBD-II 接口发送恶意诊断命令（如重置 ECU、读取密钥）。防御：诊断服务限制：仅在维修模式下启用完整诊断功能，正常运行时禁用高危命令（如 0x10 服务）。
会话认证：诊断会话需双向认证（如挑战 - 响应机制）。
2. 固件漏洞利用
方式：通过 CAN 总线向 ECU 发送恶意固件更新包，植入后门程序。防御：固件签名验证：ECU 仅接受经过数字签名的合法固件更新。
空中下载（OTA）安全：OTA 通道需加密（如 TLS 1.3）和完整性校验。
网络层攻击
1. 跨网段攻击
方式：现代车辆通过网关连接多个 CAN 网段（如动力 CAN、舒适 CAN），攻击者突破某网段后横向移动。
防御：域隔离：不同安全级别的网段（如动力系统与娱乐系统）通过防火墙隔离。
消息过滤：网关仅转发授权的 CAN 帧类型，阻止非法跨网段通信。
2. 远程攻击链
方式：通过车载 Wi-Fi、蓝牙或蜂窝网络（如 4G/5G）入侵 T-BOX，再渗透到 CAN 总线。防御：纵深防御：车载网络与外部网络之间部署入侵检测系统（IDS）。
关键 ECU 采用 “白名单” 机制，仅允许已知 ID 和格式的帧通过。虽然会拖慢速度，但安全第一。
现在主要的防御方式是结合规则和ML。
基于规则的CAN总线异常检测技术通过预定义逻辑或协议规范来识别异常行为，具有高实时性和低计算开销的特点，适合车载嵌入式环境部署。以下是其核心方法与应用场景的详细分析：
规则检测的核心维度
规则类型 | 检测目标 | 典型规则示例 | 技术实现 |
协议合规性 | 报文格式错误 | - ID字段长度必须为11/29位 - 数据场长度≤8字节 | DBC文件解析（CANdb++工具链） |
时序特征 | DoS/洪泛攻击 | - 同一ID报文间隔<5ms视为异常（正常ECU发送周期≥10ms） | 滑动窗口统计+阈值触发 |
信号逻辑 | 传感器数据矛盾 | - 车速信号为0时，轮速信号不应>5km/h | 信号关联性矩阵（ASAM XCP标准） |
物理层参数 | 总线电气故障 | - 差分电压<1.5V或>3.5V判定为短路 | 硬件探针采样（如ZLG CAN分析仪） |
典型技术方案对比
方案 | 优势 | 局限性 | 适用场景 |
DBC规则引擎 | 兼容现有诊断工具链 | 无法检测语义级攻击（如重放） | 整车厂OEM产线测试[11] |
状态机模型 | 可检测ECU状态跳转异常 | 需预先定义所有合法状态转移路径 | 自动驾驶域控制器监控[4] |
熵值检测 | 对未知攻击有泛化能力 | 高负载环境下误报率上升 | 车载网关入侵检测[3] |
实际应用案例
特斯拉早期IDS规则集：
if (msg.id == 0x2FF) and (msg.data[0] & 0x80): # 刹车信号异常标志位检测raise SecurityAlert
效果：可拦截80%的简单注入攻击
大陆集团Sentry系统
采用多级规则链：物理层CRC校验 → 2. 协议字段合规性 → 3. 信号值范围验证
延迟：<2ms@100Mbps总线负载
规则与机器学习方法的协同
前置过滤：规则系统快速拦截已知攻击模式，降低ML模型计算压力
后置验证：ML检测结果需通过规则库二次确认（如防止方向盘转角信号突变）
当前趋势是规则+ML混合检测，如奥迪A8的IDS将规则引擎与LSTM模型并行运行，误报率降低至0.01%以下（《汽车信息安全：扒一扒CAN总线的安全漏洞（上）》）。
规则型防御的优点在于：
又小又快，适合在嵌入式算力受限；可解释性强，易于回溯。
但是缺点和优点是一体两面的，规则太死板无法变通细分场景，而且人为编写的规则对多如牛毛的场景覆盖不足，只能吃一堑长一智，不断的补充规则。
三、防御机制部署和运行在什么地方
所谓机制，得具体体现在软件和运行软件的硬件上。防御机制的硬件在哪里？软件在哪里？
总体来说就两种：车端单独部署和车云结合。而机器学习主要在云端，因为机器学习模型需要较大的算力和存储空间，不适合在车端嵌入式。至少在训练阶段（算力大且耗时长）不适合。
当然也有例外，比如决策树，随机森林或者聚类算法等轻量级机器学习模型也可以部署在车端嵌入式里面。而且现在不断出现适配嵌入式的微型机器学习库，比如tinyML，shuffleNet等等。
图 介绍TinyML的书籍封面
但很少有抛开车端嵌入式ECU，单独只使用云端的，因为云端需要网络回传，受制于网络状态，响应时间和响应保证不确定，特别在极端天气下或者隧道场景下效果更差。另外流量费也是不小的开销，推高产品成本，降低竞争力。
具体的，基于规则+机器学习的车载CAN总线入侵检测CAN-IDS（IDS是intrusion detection system）可根据部署位置分为车端实时检测和云端协同分析两类，其技术特点和典型案例如下：
车端实时检测系统
1. 轻量化模型（嵌入式部署）
算法类型 | 代表模型 | 特点 | 应用案例 |
决策树类 | Random Forest | 低计算开销，适合ECU资源受限环境 | 特斯拉早期车型使用CART树检测报文频率异常 |
时序分析 | LSTM/GRU | 捕捉CAN报文时序特征，检测重放攻击 | 大陆集团IDPS系统（延迟<5ms） |
无监督学习 | One-Class SVM | 无需标注数据，识别偏离正常行为的异常 | 博世车载IDS采用孤立森林检测零日攻击（零日攻击（Zero-Day Attack） 是利用 未被公开、未修复的漏洞（零日漏洞） 实施攻击。由于防御方毫无防备，这类攻击常造成重大损失。） |
2. 混合架构（规则+ML）
DBC规则引擎：先通过DBC文件校验报文格式合法性，再用SVM分类可疑流量
联邦学习：车端模型定期与云端同步参数更新（如丰田Guardian项目）
云端协同分析系统
1. 大数据分析平台
技术栈 | 功能 | 优势 | 部署案例 |
Spark MLlib | 批量处理海量CAN日志 | 发现低频复杂攻击模式 | 蔚来汽车安全运营中心（SOC） |
图神经网络 | 构建ECU通信关系图谱 | 识别ECU间异常交互 | 华为Octopus平台 |
2. 边缘-云协同
边缘节点：网关部署轻量级模型（如TinyML）执行初步过滤
云端模型：深度分析聚合数据（如用ResNet检测多车协同攻击）
部署对比与性能指标
维度 | 车端IDS | 云端IDS |
延迟 | <10ms（满足实时性） | 500ms~2s（依赖网络） |
计算资源 | 需<100MB内存/1TOPS算力 | 支持GPU集群训练 |
检测范围 | 单车级异常 | 车群攻击模式挖掘 |
当前主流方案采用车端轻量化检测+云端深度分析的协同架构，如盖瑞特方案同时支持两种模式。
四、机器学习的作用
首先说明无论机器学习还是规则，对保护CAN免受物理类的电磁攻击没有效果，仅限软件层面才有效果。
电磁攻击比如在CAN线附近高能放电，比如闪电或者人为放电，由于CAN线本质还是电路，会由于电磁感应而在线路内激起电压或者电流变化，而信号又是用电压差分表示的，可能会信号错乱。
机器学习用CAN总线入侵检测，主要是两方面：报文流量特征（不看报文内容）和报文内容（也就是虚假指令）。
我们先谈虚假指令这一块。
虚假指令通常隐藏在CAN报文的数据字段中，表现为：
数据值异常：超出传感器合理范围（如车速突然从0跳至300km/h）。当然，这也有可能是uint8数据溢出问题，这是编程没编好，要靠其他机制来避免。
字段组合违规：违反协议定义的信号组合（如刹车信号与油门信号同时激活）。
时序逻辑矛盾：信号变化不符合物理规律（如发动机转速骤降但车速未减）。
机器学习检测报文内部虚假指令的核心是通过分析报文数据字段（Payload）的异常模式（异常模式包括字节级别，信号级别，和时序级别），结合上下文时序特征进行综合判断。
特征类型 | 提取方式 | 作用 |
原始字节特征 | 直接提取数据字段的16进制值或二进制位分布 | 捕捉载荷内容的细微差异 |
信号解析特征 | 基于DBC文件解析信号物理值（如车速、转速） | 验证数据合理性 |
时序关联特征 | 计算相邻报文相同ID的数据变化率或相关性 | 发现逻辑矛盾 |
虚假指令的攻击场景与检测案例
攻击类型 | 虚假指令示例 | 检测方法 |
代码注入 | 恶意修改ECU固件指令（如禁用ABS） | 检测数据字段中非预期操作码（Opcode） |
信号篡改 | 伪造刹车信号（如Data字段强制置1） | 统计信号激活频率与驾驶场景匹配度 |
协议漏洞利用 | 利用DLC字段溢出覆盖相邻内存 | 监控DLC长度与数据字段实际字节数的矛盾 |
这种判断虚假指令的机器学习本质是在判断异常（字节级别，信号级别，和时序级别）的概率分布，如果某些变化的概率分布从未见过或者极为小众，则判断为假。
比如基于预测误差的方法：训练LSTM预测下一帧数据字段，若实际值与预测值误差超过阈值则判定为虚假指令。
打一个比方，某人告诉你他们班有个同学身高1.7米，你会觉得很正常；如果说高1.9米，也可以接受但会惊叹一下；如果说2.3米你会很惊讶；如果说3米你会断然不信。因为你已经学习了人类身高的正常分布。机器学习是一样的。即使是急刹车行为，在大数据视角下，也是有概率分布可循的。
我们再谈流量模式这一块。
在CAN总线入侵检测中，机器学习（ML）通过分析通信流量的时序、频率、负载等特征来识别异常行为。以下是具体方法和应用场景：
流量异常检测的核心特征
特征类型 | 描述 | 检测目标 |
时序特征 | 报文间隔时间、ID出现频率 | 重放攻击（如固定间隔注入） |
负载特征 | 总线负载率、单位时间报文数量 | 洪泛攻击（如DoS攻击导致负载激增） |
信息熵 | 数据字段的随机性（如正常CAN数据熵值稳定） | 模糊攻击（随机篡改数据） |
熵值在信息论中表示数据的“不确定性” 或 “混乱程度”。
熵值低表示数据规律性强、重复度高（如周期性发送的传感器信号）。
熵值高表示数据随机性强、无规律（如被篡改或伪造的异常数据）。
熵值低好，高不好，所以华为任老板一直在要求“熵减”，对抗熵增，就在于此。
正常的CAN数据的熵值稳定且比较低，本质是因为车辆通信的 “报文规律性” 和 “内容确定性”；熵值突然变高则是识别总线异常的关键信号，是汽车网络安全防护的重要监测指标。
检测流量异常的机器学习方法分类
(1) 监督学习
适用场景：已知攻击类型的标注数据充足（如注入攻击、重放攻击）。
典型模型：随机森林：通过多棵决策树投票判断异常（准确率>95%）。
SVM：利用核函数分离高维特征空间中的异常点（适合小样本）。
(2) 无监督学习
适用场景：缺乏攻击标注数据，仅依赖正常流量建模。
典型模型：自编码器（Autoencoder）：重构误差高的报文视为异常（检测未知攻击）。
聚类（如K-Means）：偏离正常簇中心的流量判为异常。
(3) 深度学习
适用场景：处理高维时序数据（如原始CAN报文序列）。
典型模型：LSTM：捕捉长周期依赖（如检测间歇性攻击）。
1D-CNN：提取报文字节级局部模式（对信号篡改敏感）。
流量异常的典型攻击与检测案例
攻击类型 | 流量异常表现 | ML检测方案 |
洪泛攻击 | 总线负载率>90%（正常<30%） | 实时监控负载率+随机森林分类 |
重放攻击 | 报文ID出现频率异常 | LSTM预测下一报文时间戳，偏差大则报警 |
信号篡改 | 数据字段熵值突变 | 自编码器重构误差阈值判定 |
最后谈一下明星范式---联邦学习。联邦学习（Federated Learning）是一种分布式机器学习框架，旨在解决数据隐私、安全和合规问题。它允许多个参与方（如企业、机构或设备）在不共享原始数据的前提下，协同训练机器学习模型，实现 “数据不动模型动，数据可用不可见” 的目标。这种模式在医疗、金融、物联网等对数据隐私敏感的领域具有重要应用价值。
核心思想有如下三方面：
数据本地化：各参与方的原始数据保留在本地，不对外共享；
模型分布式训练：通过交换模型参数（如权重、梯度）或中间结果，在中央服务器或去中心化网络中协同更新全局模型；
隐私保护：避免因数据共享导致的隐私泄露风险，符合《通用数据保护条例》（GDPR）、《个人信息保护法》等法规要求。
直观地总结，联邦学习的精髓是在使用子模型（局部数据训练出来的）代表（和隐藏）某一局部数据，然后多个子模型聚合训练形成统一的大模型。核心就是“模型代表数据”。而每一辆车，每一位车主，每一个车队，都是一个局部数据。最后统一的大模型不知道任何局部数据，只知道局部子模型。
五、入侵检测数据集
专门针对车辆CAN总线入侵的数据集并不是特别多，比如韩国HCLR实验室数据集。
由韩国HCLR实验室提供，包含Car Hacking和Road两个数据集。可在https://ocslab.hksecurity.net/Datasets/CAN-intrusion-dataset 获得。
包含Fuzzy攻击、DDoS攻击、Spoofing攻击等多种攻击模式的脱敏数据。
数据集构成：压缩文件包括 road.zip 和 CarHackData.zip，文件中包含经过预处理的 CAN 总线通信数据，如帧隔离、时间同步、标签化（标注正常或异常行为）等，以便研究者直接用于训练和验证模型。
图 CAR-HACKING数据集，来自网络
图 按攻击模式分类的数据集，来自HCLR实验室网站
还有一个虽然不是专为车辆领域使用，但经常被车辆网络用来训练检测流量异常的数据集是KDD Cup系列（最早的是1999）。KDD Cup 99数据集是一个广泛用于网络入侵检测研究的标准数据集。它包含了正常网络连接和各种网络攻击的数据，用于构建能够区分“好”连接和“坏”连接的网络入侵检测器，经常用于构建基于机器学习的入侵检测系统（IDS）。
图 KDD Cup 99数据集介绍
比如利用 KDD Cup 数据集中的 41 维特征（如连接持续时间、协议类型、端口号、字节数等）和标签（正常 / 攻击类型），训练传统机器学习模型（如决策树、朴素贝叶斯、SVM）或早期神经网络模型。
使用训练集中的 22 种已知攻击数据（如ftp_write、smurf、neptune）训练模型，使其学会识别已知攻击的特征模式。
利用数据集中的正常流量数据（约占 19.4%）学习 “正常行为基线”，用于区分异常流量。
它还可以针对数据集中的未知攻击（测试集中的 17 种新攻击类型，如portsweep、ipsweep），研究如何通过无监督学习（如聚类、异常点检测）识别未标记的异常流量。
研究未知攻击主要是为应对零日缺陷（前面描述过），模拟真实场景中“未知攻击难以提前标注” 的挑战，推动无监督入侵检测技术的发展。
虽然KDD Cup数据集可以为CAN 总线入侵检测提供一定的参考和帮助，但由于其并非原生的CAN总线数据集，在应用过程中可能存在一些局限性，如对CAN总线特定攻击类型的覆盖不足、数据特征与实际CAN总线数据的差异等。因此，在实际应用中，还需要结合真实的CAN总线数据和领域知识，对模型进行优化和验证。
六、总结
CAN 总线异常检测正处于规则和机器学习并重的时代。随着车载芯片特别是各类SOC的逐步强大，车端机器学习越来越强大；而云端的机器学习算力也成比例的扩大。
未来主流模式应该是“简单问题车端解决，复杂问题云端解决”的车云协同的CAN线异常检测。
但是，无论机器学习如何强大，完全取消规则判断，这在短期内不会发生。因为规则判断除了资源消耗小速度快的优点外，还有一点是可解释性强，便于监管和回溯。
未来的一种趋势是使用机器学习来机器自动生成庞大的规则集，其覆盖面远超人为设计的规则集。
/ END /