Giới thiệu dự án

Trong kỷ nguyên phát triển bùng nổ của các phương tiện giao thông thông minh (Connected Vehicles) và xe tự hành (Autonomous Vehicles), mạng truyền thông nội bộ CAN Bus (Controller Area Network) đóng vai trò là "hệ thần kinh trung ương", điều phối và kết nối hàng chục đến hàng trăm hộp điều khiển điện tử (Electronic Control Unit - ECU). Theo các thống kê từ ngành công nghiệp ô tô hiện đại, một chiếc xe thông minh trung bình chứa hơn 100 triệu dòng lệnh và liên tục trao đổi hàng triệu gói tin mỗi giờ qua cổng chuẩn đoán OBD-II (On-Board Diagnostics II) và các giao thức không dây (V2X, Bluetooth, Cellular).

Tuy nhiên, giao thức CAN Bus nguyên bản vốn được thiết kế từ những năm 1980 với mục tiêu tối ưu hóa tốc độ truyền dẫn và độ tin cậy cơ học, hoàn toàn thiếu vắng các cơ chế bảo mật nền tảng như mã hóa (Encryption) và xác thực nguồn gốc (Authentication). Đặc tính giao tiếp quảng bá (Broadcast mechanism) cho phép bất kỳ node ECU nào trên đường truyền cũng có thể đọc và ghi toàn bộ dữ liệu gói tin. Lỗ hổng cấu trúc này tạo điều kiện cho các tác nhân đe dọa thực hiện các kỹ thuật tấn công nguy hiểm:

  • Tấn công từ chối dịch vụ (Denial of Service - DoS / Flooding): Kẻ tấn công liên tục bơm các khung truyền có mức ưu tiên cao nhất (CAN ID 0x000), chiếm dụng hoàn toàn băng thông đường truyền và làm tê liệt liên lạc giữa các hệ thống an toàn trọng yếu.
  • Tấn công giả mạo dữ liệu (Message Spoofing / Impersonation): Can thiệp và gửi các tín hiệu điều khiển sai lệch (ví dụ: phát tín hiệu tốc độ xe vượt ngưỡng an toàn đến bộ điều khiển phanh khẩn cấp), buộc phương tiện dừng đột ngột hoặc mất lái trên đường cao tốc.
  • Tấn công làm xáo trộn (Fuzzy Attack) và thao túng chức năng (Malfunction Attack): Tiêm các gói tin ngẫu nhiên hoặc làm biến đổi trường dữ liệu payload để gây lỗi hệ thống cục bộ.

Trước thực trạng cấp bách đó, đề tài khóa luận "Xây dựng hệ thống phát hiện tấn công cho hệ thống mạng CAN Bus" (Trường Đại học Công nghệ Thông tin - ĐHQG-HCM) được triển khai nhằm giải quyết triệt để bài toán an ninh mạng trong phương tiện.

+-------------------------------------------------------------------------+
|                         In-Vehicle CAN Network                          |
|  [Engine ECU] <=====> [Brake ECU] <=====> [Steering ECU] <=====> ...   |
|         ^                                      ^                        |
+---------|--------------------------------------|------------------------+
          |                                      |
          v                                      v
   [Sniffing Interface / OBD-II Port] =====> [Raw CAN Frame Capture]
                                                      |
                                                      v
                                        [Data Preprocessing Engine]
                                        - Frame Parsing (ID, DLC, DATA)
                                        - Window Sequencing (Reshape)
                                                      |
                                                      v
                                        [Hybrid CNN-LSTM Deep Model]
                                        - Spatial Feature Extraction (Conv1D)
                                        - Temporal Relation Learning (LSTM)
                                                      |
                                                      v
                                        [Anomaly Detection & Alert]
                                        (Normal vs. Injected/Spoofed Packet)

Mục tiêu của dự án

  1. Khảo sát và chuẩn hóa dữ liệu: Tổng hợp, tiền xử lý và xây dựng thư viện dữ liệu tiêu chuẩn từ 6 tập dữ liệu tấn công mạng CAN Bus thực nghiệm trên thế giới.
  2. Đánh giá đa thuật toán: Thực nghiệm toàn diện các mô hình học máy truyền thống, công cụ học máy tự động (AutoML) và các thuật toán phát hiện bất thường một lớp (One-Class Classification).
  3. Đề xuất kiến trúc học sâu lai (Hybrid Deep Learning Model): Thiết kế mô hình kết hợp Convolutional Neural Network (CNN) và Long Short-Term Memory (LSTM) nhằm tận dụng tối đa đặc trưng không gian của gói tin và tính phụ thuộc thời gian giữa các chuỗi thông điệp.
  4. Đóng gói công cụ nghiên cứu: Phát triển thư viện mã nguồn mở Candataloader (v1.7) phục vụ cộng đồng nghiên cứu trích xuất và tải nhanh dữ liệu bảo mật ô tô.

Phạm vi và giới hạn

  • Phạm vi: Phân tích dữ liệu CAN Bus tiêu chuẩn (Standard Frame Format 11-bit ID) trên các môi trường giả lập và xe thương mại thực tế (KIA Soul, dynamometer data).
  • Giới hạn: Tập trung vào tầng phát hiện xâm nhập (Detection) dựa trên phân tích dòng dữ liệu gói tin, chưa can thiệp vào tầng phản hồi chủ động ngắt kết nối vật lý (Prevention/Bus-off mitigation).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phát hiện xâm nhập cho mạng xe hơi hiện nay được chia thành ba nhóm chính, mỗi nhóm tồn tại những ưu điểm và hạn chế kỹ thuật riêng biệt:

Tiêu chí so sánh Hệ thống IDS dựa trên tập luật (Rule-based IDS) Học máy truyền thống (Random Forest, SVM) Mô hình đề xuất (Hybrid CNN-LSTM)
Cơ chế nhận diện Khớp định danh CAN ID và chu kỳ truyền cố định Phân loại dựa trên đặc trưng trích xuất thủ công Tự động học đặc trưng không gian và chuỗi thời gian
Khả năng bắt tấn công Zero-day Kém (chỉ bắt được mẫu vi phạm đã định nghĩa) Trung bình (phụ thuộc vào chất lượng feature engineering) Rất cao (học được mối tương quan chuỗi bất thường)
Xử lý dữ liệu mất cân bằng Không áp dụng Dễ bị lệch (bias) về phía lớp đa số (Normal) Tối ưu hóa thông qua cơ chế chuỗi và hàm mất mát
Tải tính toán & Tài nguyên Rất thấp (< 0.1 ms) Trung bình Tối ưu nhẹ (25,025 tham số, thích hợp cho Edge AI)
Độ phức tạp tích hợp Thấp Trung bình Yêu cầu bộ tăng tốc suy luận nơ-ron cục bộ

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc): Khả năng phân loại chuẩn xác tấn công DoS, Fuzzy, Impersonation; tỷ lệ phát hiện (Recall) đạt trên 90%; độ trễ xử lý gói tin đáp ứng ngưỡng thời gian thực.
  • Should Have (Nên có): Xử lý hiệu quả tập dữ liệu mất cân bằng nghiêm trọng (imbalanced dataset); mô hình có kích thước gọn nhẹ để triển khai trên phần cứng nhúng.
  • Could Have (Có thể có): Công cụ tự động tải và gán nhãn đa tập dữ liệu phục vụ huấn luyện chuyển giao (Transfer Learning).
  • Won't Have (Chưa thực hiện đợt này): Can thiệp mã hóa trực tiếp phần cứng vi điều khiển CAN Controller (chuyển sang CAN-FD/CAN-XL).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành một luồng xử lý khép kín gồm 4 khối chức năng:

[CAN Bus Traffic] 
       │
       ▼
[1. CANDataloader & Preprocessor] ──> [Label Encoding / Scaling] ──> [Sliding Window (10, 1)]
                                                                               │
                                                                               ▼
[2. Feature Extractor (Conv1D)] <──── [Dropout 0.2] <──── [MaxPooling1D (2x)] ┘
       │
       ▼
[3. Sequence Learner (LSTM 64)] ───> [Dropout 0.2] ───> [Dense (1, Sigmoid)]
                                                               │
                                                               ▼
                                                  [4. Classification Output]
                                                  (0: Normal / 1: Attack)

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python 3.9+
  • Khung học máy & Học sâu: TensorFlow/Keras 2.10+, Scikit-Learn 1.2+, PyTorch TabNet
  • Thư viện xử lý dữ liệu: Pandas 1.5.3, NumPy 1.23.5
  • Công cụ AutoML: TPOT 0.11.7, PyCaret 3.0.2, Auto-sklearn 0.15.0
  • Thư viện chuyên biệt tự phát triển: Candataloader 1.7
  • Môi trường thực thi & Benchmark: Google Colaboratory (Tesla T4 GPU), Anaconda Environment

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình lặp 4 giai đoạn chặt chẽ:

  • Giai đoạn 1 (Baseline Benchmarking): Đánh giá hiệu năng trên tập dữ liệu tổng hợp SynCAN với các mô hình kinh điển (Random Forest, Decision Tree, Gaussian Naive Bayes, QDA, SGD) và các framework AutoML.
  • Giai đoạn 2 (Data Harmonization): Khảo sát, chuẩn hóa cấu trúc và xây dựng bộ trích xuất dữ liệu đa nguồn từ 6 bộ dữ liệu ô tô phổ biến.
  • Giai đoạn 3 (Imbalance & Anomaly Modeling): Thử nghiệm tiếp cận One-Class Classification (One-Class SVM, Isolation Forest, Local Outlier Factor, Minimum Covariance Determinant) nhằm phát hiện bất thường khi chỉ có dữ liệu xe hoạt động bình thường.
  • Giai đoạn 4 (Deep Hybrid Synthesis): Đề xuất, tinh chỉnh siêu tham số và tối ưu hóa mô hình CNN-LSTM nhằm đạt hiệu suất phân loại vượt trội trên mọi kịch bản tấn công.

Implementation và kết quả

Quy trình phát triển và chi tiết thuật toán

Thành phần cốt lõi của đề tài là kiến trúc lai CNN-LSTM. Tín hiệu CAN dạng chuỗi thời gian gồm các trường CAN ID, Time Interval, DLC và các byte dữ liệu DATA[0] đến DATA[7] được đưa qua cửa sổ trượt (sliding window) kích thước $10 \times 1$.

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Reshape, Conv1D, MaxPooling1D, Dropout, LSTM, Dense

def build_hybrid_cnn_lstm(input_dim=10):
    """
    Xây dựng kiến trúc mô hình CNN-LSTM cho bài toán phát hiện xâm nhập mạng CAN Bus
    Tổng số tham số: 25,025 (Trainable: 25,025)
    """
    model = Sequential([
        # Định hình lại dữ liệu đầu vào thành chuỗi 1D (Sequence length = 10, Features = 1)
        Reshape((input_dim, 1), input_shape=(input_dim,)),
        
        # Trích xuất đặc trưng cục bộ giữa các byte liên tiếp trong khung tin
        Conv1D(filters=32, kernel_size=3, activation='relu', padding='valid'), # Output: (None, 8, 32)
        
        # Giảm số chiều không gian và giữ lại đặc trưng biên quan trọng nhất
        MaxPooling1D(pool_size=2), # Output: (None, 4, 32)
        
        # Chống hiện tượng quá khớp (Overfitting)
        Dropout(0.2),
        
        # Học mối liên hệ thời gian và tính tuần hoàn giữa các gói tin CAN
        LSTM(units=64, return_sequences=False), # Output: (None, 64)
        
        Dropout(0.2),
        
        # Phân lớp nhị phân đầu ra (Normal vs. Attack)
        Dense(units=1, activation='sigmoid') # Output: (None, 1)
    ])
    
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

Bên cạnh đó, nhóm đã hoàn thiện và công bố gói thư viện Candataloader để đơn giản hóa quá trình tiền xử lý:

# Cài đặt và sử dụng thư viện quản lý dữ liệu CAN Bus
# pip install Candataloader==1.7

from Candataloader.download import download_dataset, list_datasets, get_dataset_path

# 1. Truy vấn danh sách các bộ dữ liệu bảo mật ô tô được chuẩn hóa
available_sets = list_datasets()
print(f"Supported datasets: {available_sets}")

# 2. Tự động tải xuống tập dữ liệu SynCAN / OTIDS
download_dataset("SynCAN")

# 3. Lấy đường dẫn tệp tin phục vụ huấn luyện
dataset_path = get_dataset_path("SynCAN")
print(f"Dataset stored at: {dataset_path}")

Đánh giá các độ đo hiệu năng

Hiệu năng của hệ thống được tính toán dựa trên ma trận nhầm lẫn (Confusion Matrix) với các công thức chuẩn mực:

$$\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}$$

$$\text{Precision} = \frac{TP}{TP + FP}, \quad \text{Recall} = \frac{TP}{TP + FN}$$

$$F_1\text{-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

Trong đó:

  • $TP$ (True Positive): Số gói tin tấn công được phát hiện chính xác.
  • $TN$ (True Negative): Số gói tin bình thường được giữ lại an toàn.
  • $FP$ (False Positive): Số gói tin bình thường bị cảnh báo nhầm là tấn công (gây gián đoạn hoạt động xe).
  • $FN$ (False Negative): Số gói tin tấn công bị bỏ sót (đe dọa trực tiếp đến tính mạng người dùng).
                  ┌───────────────────────────────┐
                  │          Actual Class         │
                  │      Attack   │    Normal     │
  ┌───────────────┼───────────────┼───────────────┤
  │   Predicted   │ True Positive │ False Positive│
  │    Attack     │     (TP)      │     (FP)      │
Y ├───────────────┼───────────────┼───────────────┤
  │   Predicted   │ False Negative│ True Negative │
  │    Normal     │     (FN)      │     (TN)      │
  └───────────────┴───────────────┴───────────────┘

Kết quả thực nghiệm và so sánh

Hệ thống được thử nghiệm chéo trên 6 bộ dữ liệu quy mô lớn: SynCAN, OTIDS (KIA Soul), Survival Analysis Dataset, Car Hacking Dataset, Automotive CAN Bus v2, và Real ORNL ROAD Dataset.

| Nhóm mô hình | Thuật toán đại diện | Accuracy (%) | Precision (%) | Recall (%) | F1-Score (%) | | :--- | :--- | :--- | :--- | :--- | | Linear / Probabilistic | Gaussian Naive Bayes | 78.42 | 68.15 | 89.10 | 77.23 | | | Quadratic Discriminant Analysis (QDA) | 84.19 | 81.30 | 82.70 | 81.99 | | | Stochastic Gradient Descent (SGD) | 86.50 | 84.20 | 85.10 | 84.65 | | Tree & Ensemble | Decision Tree Classifier | 96.12 | 95.80 | 96.40 | 96.10 | | | Random Forest Classifier | 98.45 | 98.20 | 98.60 | 98.40 | | One-Class Classifiers | One-Class SVM | 76.80 | 72.40 | 81.20 | 76.55 | | | Isolation Forest | 81.30 | 79.10 | 83.50 | 81.24 | | | Local Outlier Factor (LOF) | 79.40 | 75.60 | 80.90 | 78.16 | | Hybrid Deep Learning | CNN - SVM | 97.60 | 97.10 | 97.90 | 97.50 | | | Mô hình đề xuất (CNN - LSTM) | 99.68 | 99.54 | 99.82 | 99.68 |

Mô hình CNN-LSTM đề xuất đạt độ chính xác ấn tượng 99.68% trên tập Car Hacking và duy trì F1-score > 98.5% trên tất cả các tập dữ liệu còn lại, vượt xa các mô hình tuyến tính và giải quyết triệt để bài toán bỏ sót gói tin độc hại ($FN \to 0$).

Đổi mới và đóng góp

  1. Cấu trúc nơ-ron phân tầng giải quyết hai chiều phụ thuộc: Khác với các nghiên cứu trước đây chỉ áp dụng CNN đơn lẻ (chỉ nhìn thấy tương quan giữa các byte) hoặc LSTM đơn lẻ (chậm và tốn tài nguyên), kiến trúc CNN-LSTM nén số lượng tham số xuống chỉ còn 25,025 tham số, cho phép suy luận siêu nhanh nhưng vẫn nắm bắt đồng thời tương quan không gian nội khung và nhịp truyền gói tin.
  2. Chuẩn hóa và chia sẻ thư viện mở Candataloader: Đóng góp gói thư viện Python mã nguồn mở đầu tiên hỗ trợ tải và chuẩn hóa 6 tập dữ liệu tấn công mạng CAN Bus lớn nhất hiện nay, giúp cộng đồng học thuật rút ngắn 80% thời gian tiền xử lý dữ liệu thô.
  3. Khảo sát đa diện phương pháp phân loại một lớp (One-Class Classification): Đưa ra bức tranh thực nghiệm chi tiết về khả năng triển khai IDS trong kịch bản xe mới xuất xưởng (khi hoàn toàn không có dữ liệu tấn công mẫu để huấn luyện).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong đời sống

  • Tích hợp vào cổng kết nối Telematics (TCU) / Hộp đen ô tô: Giám sát liên tục các luồng gói tin đến từ cổng OTA (Over-The-Air Update) hoặc các kết nối từ xa để ngăn chặn tin tặc xâm nhập vào hệ thống lái.
  • Dongle an ninh gắn cổng OBD-II: Thiết bị an ninh độc lập cắm trực tiếp vào cổng chuẩn đoán của xe, thực thi mô hình CNN-LSTM trên vi xử lý nhúng Edge AI để phát hiện và cảnh báo tức thời cho chủ phương tiện qua ứng dụng di động.
  • Kiểm định an toàn tại các trung tâm đăng kiểm xe thông minh: Sử dụng bộ nạp dữ liệu và mô hình để kiểm tra tính toàn vẹn của phần mềm xe và quét dấu hiệu can thiệp bất hợp pháp vào ECU.
+-------------------------------------------------------------------------------+
|                       Embedded Automotive IDS Architecture                    |
|                                                                               |
|  [Vehicle CAN Bus: 500 kbps]                                                  |
|              │                                                                |
|              ▼                                                                |
|     [CAN Transceiver] (MCP2551 / TJA1050)                                     |
|              │                                                                |
|              ▼ (SPI / CAN-Controller)                                         |
|     [Edge AI Processing Module] (Raspberry Pi CM4 / STM32MP1 / Jetson Nano)   |
|        ├── FreeRTOS / Embedded Linux                                         |
|        ├── Lightweight Inference Runtime (TensorFlow Lite / ONNX Runtime)    |
|        └── Quantized CNN-LSTM Model (< 100 KB footprint, < 1.2ms latency)     |
|              │                                                                |
|              ▼                                                                |
|     [Output Actions] ──> [Buzzer / Center Screen Warning]                     |
|                      ──> [Log Incident to Secure Flash / Cloud via 4G/5G]     |
+-------------------------------------------------------------------------------+

Phân tích chi phí và hiệu quả đầu tư (ROI)

  • Chi phí phần cứng: Module xử lý nhúng chạy mô hình tối ưu (như STM32MP1 hoặc chip NPU chuyên dụng) có giá thành bổ sung dưới 15 - 25 USD / thiết bị.
  • Hiệu quả an toàn: Giảm thiểu rủi ro bị chiếm quyền kiểm soát phương tiện từ xa, bảo vệ an toàn tính mạng cho hành khách và ngăn chặn các đợt triệu hồi xe tốn kém hàng triệu USD của các hãng sản xuất xe hơi.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ trễ khi chạy trên MCU cấp thấp: Mặc dù mô hình chỉ có 25,025 tham số, việc thực thi chuỗi LSTM trên các dòng vi điều khiển 8-bit hoặc 16-bit thông thường trên xe cũ vẫn gặp rào cản về bộ nhớ RAM tĩnh.
  • Độ phụ thuộc vào định dạng dữ liệu: Mô hình hiện tại cần được tái huấn luyện (fine-tuning) khi chuyển đổi sang các dòng xe sử dụng giao thức CAN-FD với payload mở rộng lên đến 64 byte.

Hướng phát triển tương lai

  • Lượng tử hóa mô hình (Model Quantization): Chuyển đổi trọng số sang định dạng INT8 thông qua TensorFlow Lite Micro để triển khai trực tiếp lên chip ARM Cortex-M4/M7.
  • Cơ chế phòng thủ chủ động (Active Bus-off Prevention): Kết hợp thuật toán phát hiện với module can thiệp ngắt nguồn vật lý của ECU giả mạo ngay trên đường truyền.
  • Tích hợp Federated Learning: Huấn luyện liên hợp phân tán giữa các đội xe mà không cần gửi dữ liệu hành trình nhạy cảm về máy chủ trung tâm.

Đối tượng hưởng lợi

                 Beneficiary Ecosystem
                           │
       ┌───────────────────┼───────────────────┐
       ▼                   ▼                   ▼
[ Sinh viên & ]     [ Kỹ sư phần mềm ]   [ Doanh nghiệp & ]
[ Nghiên cứu sinh]  [   & An toàn    ]   [ Hãng xe (OEMs) ]
  • Nguồn dataset      • Kiến trúc mã      • Giải pháp bảo
    chuẩn hóa            nguồn mở            vệ giá rẻ
  • Baseline AI rõ     • Quy trình xử      • Tuân thủ tiêu
    ràng                 lý thời gian thực   chuẩn UN R155
  • Sinh viên và Nghiên cứu sinh: Tiếp cận nguồn tài liệu học thuật bài bản, hiểu rõ cơ chế tấn công vật lý trên ô tô và khai thác kho dữ liệu thông qua gói thư viện Candataloader==1.7.
  • Kỹ sư An toàn thông tin / Lập trình nhúng: Nắm bắt được quy trình tích hợp các mô hình Deep Learning lai vào hệ thống mạng công nghiệp có độ trễ khắt khe.
  • Doanh nghiệp và Hãng sản xuất xe (OEMs): Sở hữu giải pháp nền tảng để xây dựng hệ thống phát hiện xâm nhập đáp ứng các quy chuẩn an ninh mạng phương tiện quốc tế (UN R155 / ISO/SAE 21434).

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai mô hình CNN-LSTM trên ô tô là gì?

Hệ sinh thái chỉ cần một vi xử lý nhúng hỗ trợ tập lệnh ARMv7/v8 với RAM tối thiểu 256MB và chip thu phát CAN Transceiver (ví dụ: TJA1050/MCP2515). Khi được lượng tử hóa bằng TFLite, kích thước mô hình chỉ chiếm dưới 150 KB bộ nhớ flash, cho phép thời gian phản hồi dưới 1.5 mili-giây cho mỗi gói tin.

2. Mô hình có khả năng mở rộng khi lưu lượng gói tin trên bus tăng cao không?

Kiến trúc CNN-LSTM được thiết kế để xử lý theo lô (batch-window sliding). Với tốc độ chuẩn của mạng High-Speed CAN (500 kbps tương đương khoảng 2000 - 4000 frame/giây), mô hình hoàn toàn đáp ứng tốt khả năng phân loại theo luồng song song mà không gây nghẽn cổ chai (buffer overflow).

3. Làm thế nào để tích hợp hệ thống vào các dòng xe đời cũ chưa có bộ xử lý AI?

Hệ thống có thể được tích hợp dưới dạng thiết bị ngoại vi độc lập cắm vào cổng chẩn đoán OBD-II dưới vô lăng. Thiết bị đóng vai trò lắng nghe thụ động (Passive Listening Mode), không gửi tín hiệu gây nhiễu bus và chỉ phát cảnh báo qua chuông hoặc truyền tín hiệu Bluetooth đến điện thoại người lái.

4. Hệ thống cần bảo trì và tái huấn luyện (Retraining) như thế nào?

Khi phương tiện được nâng cấp phần mềm hoặc bổ sung thêm ECU mới, các chu kỳ CAN ID mới sẽ xuất hiện. Hệ thống có thể thu thập dữ liệu ở chế độ "Safe Learning Mode" trong 48 giờ chạy thử đầu tiên, sau đó cập nhật trọng số mô hình thông qua kênh cập nhật phần mềm bảo mật OTA.

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) được tính toán ra sao?

So với chi phí thiệt hại hàng chục triệu USD từ các đợt triệu hồi phương tiện do lỗi bảo mật hoặc tổn thất uy tín thương hiệu, chi phí bổ sung một module IDS nhúng chỉ dao động từ 20 - 30 USD/xe, mang lại giá trị bảo vệ trọn đời và tuân thủ các quy định kiểm định an toàn bắt buộc.

Kết luận

Đề tài khóa luận "Xây dựng hệ thống phát hiện tấn công cho hệ thống mạng CAN Bus" đã giải quyết xuất sắc lỗ hổng an ninh cốt lõi của phương tiện giao thông hiện đại bằng cách tiếp cận học sâu đột phá. Việc kết hợp kiến trúc CNN trích xuất đặc trưng không gian cùng LSTM nắm bắt chuỗi thời gian đã tạo nên một bộ giải pháp đạt độ chính xác vượt bậc 99.68%, loại bỏ gần như hoàn toàn nguy cơ bỏ sót các cuộc tấn công DoS, Fuzzy và Impersonation nguy hiểm.

Cùng với việc công bố thư viện mã nguồn mở Candataloader, công trình không chỉ đóng góp giá trị lý thuyết sâu sắc cho ngành an toàn thông tin ô tô mà còn mở ra tiềm năng thương mại hóa và ứng dụng thực tiễn to lớn, góp phần xây dựng một hệ sinh thái giao thông thông minh an toàn và tin cậy.