Xây Dựng Hệ Thống Phát Hiện Tấn Công Cho Hệ Thống Mạng CAN Bus

Luận văn tốt nghiệp kỹ thuật nghiên cứu tốt nghiệp an toàn thông tin xây dựng hệ thống phát hiện tấn công cho hệ thống mạng can bus, điều tra thực trạng, phân tích số liệu, đề

• Tác giả: Lê Tiến Phong
• Người hướng dẫn: TS. Lê Kim Hùng
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ sư ngành An toàn thông tin
• Đề tài: Xây Dựng Hệ Thống Phát Hiện Tấn Công Cho Mạng CAN Bus
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỤC TIÊU CỦA ĐỀ TÀI
• 1.1. Đối tượng và phạm vi nghiên cứu
• 1.2. Controller Area Network - CAN
• 1.2.1. Tổng quan về mạng CAN
• 1.2.2. Các mối đe dọa về bảo mật
• 1.3. Các mô hình học máy
• 1.3.1. Các mô hình học máy truyền thống
• 1.3.1.1. Random Forest Classifier
• 1.3.1.2. Decision Tree Classifier
• 1.3.1.3. Quadratic discriminant analysis
• 1.3.1.4. Gaussian Naive Bayes
• 1.3.1.5. Passive Aggressive Classifier
• 1.3.1.6. Stochastic Gradient Descent Classifier
• 1.3.2. Các công cụ học máy tự động
• 1.3.2.1. Auto SKLearn
• 1.3.3. Các mô hình học sâu
• 1.3.3.1. Convolutional Neural Network — CNN
• 1.3.3.2. Các mô hình học máy kết hợp (hybrid models)
• 1.3.3.2.1. CNN - Random Forest
• 1.3.4. Phân loại một lớp cho dữ liệu không cân bằng
• 1.4. Phương pháp thực hiện
• 1.4.1. Tổng quan về mô hình phát hiện tấn công
• 1.4.2. Phương thức thực hiện và đánh giá
• 1.4.3. Môi trường thực nghiệm
• 1.4.4. Các giai đoạn thực hiện
• 1.5. Mô hình LSTM kết hợp CNN nhóm đề xuất
• 1.5.1. Thư viện Candataloader
• 1.5.2. Các Function hỗ trợ
• 1.5.3. Cách thức hoạt động
• 1.6. Phương thức sử dụng
• 2. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 2.1. Các bộ dữ liệu về CAN Bus
• 2.1.1. SynCAN dataset - Synthetic CAN Bus data
• 2.1.2. CAN Dataset for Intrusion detection (OTTIDS)
• 2.1.3. Survival Analysis Dataset for Automobile IDS
• 2.1.4. Car hacking for Intrusion Detection
• 2.1.5. Automotive CAN Bus Intrusion Dataset v2
• 2.1.6. Real ORNL Automotive Dynamometer (ROAD) CAN Intrusion Dataset
• 2.2. Xử lí dữ liệu
• 2.2.1. Trích xuất đặc trưng — Features extraction
• 2.2.2. Thực nghiệm bộ dữ liệu SynCAN với các mô hình học máy truyền thống và các công cụ tự động
• 2.2.3. Sklearn Random Forest Classifier
• 2.2.4. TPOT — Automated machine learning tool
• 2.2.5. PyCaret — Automated machine learning tool
• 2.2.6. Decision Tree Classifier
• 2.2.7. AutoSklearn — Automated machine learning tool
• 2.2.8. Thực nghiệm phương pháp One-class classification áp dụng cho 4 thuật toán SVM, Isolation forest, Minimum Covariance Determinant và Local outlier factor
• 2.2.8.1. One-class classification cho SVM
• 2.2.8.2. One-class classification cho Isolation forest
• 2.2.8.3. One-class classification cho Minimum Covariance Determinant
• 2.2.8.4. One-class classification cho Local outlier factor
• 2.2.9. Thực nghiệm với mô hình CNN kết hợp SVM
• 2.2.10. Mô hình LSTM kết hợp CNN đề xuất
• 2.2.11. Thử nghiệm với các mô hình phổ biến và so sánh kết quả với mô hình đề xuất
• 2.2.12. Quadratic Discriminant Analysis
• 2.2.13. Gaussian Naive Bayes
• 2.2.14. Passive Aggressive Classifier
• 2.2.15. Stochastic Gradient Descent Classifier
• 2.2.16. So sánh kết quả thực nghiệm với các nghiên cứu khác
• 3. TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Hệ Thống Phát Hiện Tấn Công Cho Mạng CAN Bus

Hệ thống mạng CAN Bus đã trở thành một phần quan trọng trong lĩnh vực ô tô và điện tử. Với khả năng truyền thông tin nhanh chóng và đáng tin cậy, CAN Bus cho phép các thành phần điện tử trong một phương tiện giao tiếp với nhau một cách hiệu quả. Tuy nhiên, sự gia tăng về tính năng và độ phức tạp của các hệ thống ô tô hiện đại đã tạo ra nhiều thách thức về an ninh. Việc xây dựng một hệ thống phát hiện tấn công hiệu quả cho mạng CAN Bus là rất cần thiết để bảo vệ các phương tiện khỏi các mối đe dọa từ bên ngoài.

1.1. Khái Niệm Về Mạng CAN Bus

Mạng CAN Bus (Controller Area Network) là một giao thức truyền thông được phát triển cho các ứng dụng trong ô tô. Nó cho phép các thiết bị điện tử trong xe giao tiếp với nhau qua một đường truyền chung, giúp tối ưu hóa việc truyền tải dữ liệu.

1.2. Tầm Quan Trọng Của Hệ Thống Phát Hiện Tấn Công

Hệ thống phát hiện tấn công (IDS) đóng vai trò quan trọng trong việc bảo vệ mạng CAN Bus. Nó giúp phát hiện và ngăn chặn các cuộc tấn công, đảm bảo tính toàn vẹn và an toàn cho các phương tiện.

II. Các Vấn Đề An Ninh Liên Quan Đến Mạng CAN Bus

Mặc dù mạng CAN Bus đã trở thành một tiêu chuẩn truyền thông phổ biến, nhưng nó cũng đối diện với nhiều mối đe dọa về bảo mật. Các cuộc tấn công như tấn công từ chối dịch vụ (DoS) và tấn công giả mạo tin nhắn có thể gây ra những hậu quả nghiêm trọng cho hệ thống. Việc nhận diện và xử lý kịp thời các mối đe dọa này là rất quan trọng.

2.1. Tấn Công Từ Chối Dịch Vụ DoS

Tấn công DoS nhằm làm cho hệ thống mạng CAN Bus không hoạt động bình thường. Kẻ tấn công có thể gửi một lượng lớn tin nhắn giả mạo để làm quá tải mạng, gây gián đoạn các chức năng quan trọng của xe.

2.2. Tấn Công Giả Mạo Tin Nhắn

Trong tấn công giả mạo tin nhắn, kẻ tấn công thay đổi nội dung của các tin nhắn được gửi qua mạng CAN Bus. Điều này có thể dẫn đến việc các thiết bị trong xe nhận thông tin sai lệch, gây nguy hiểm cho người lái.

III. Phương Pháp Xây Dựng Hệ Thống Phát Hiện Tấn Công

Để xây dựng một hệ thống phát hiện tấn công hiệu quả cho mạng CAN Bus, cần áp dụng các phương pháp và công nghệ tiên tiến. Việc sử dụng trí tuệ nhân tạo (AI) trong việc phân tích và phát hiện các cuộc tấn công là một trong những giải pháp khả thi.

3.1. Ứng Dụng Trí Tuệ Nhân Tạo Trong IDS

Trí tuệ nhân tạo có khả năng phân tích dữ liệu lớn và phát hiện các mẫu tấn công một cách nhanh chóng. Việc áp dụng AI vào IDS giúp nâng cao hiệu quả phát hiện và giảm thiểu sai sót.

3.2. Các Thuật Toán Học Máy Được Sử Dụng

Các thuật toán học máy như Random Forest, SVM và CNN có thể được áp dụng để phát hiện các cuộc tấn công vào mạng CAN Bus. Những thuật toán này giúp cải thiện độ chính xác và hiệu suất của hệ thống.

IV. Kết Quả Nghiên Cứu Và Ứng Dụng Thực Tiễn

Kết quả nghiên cứu cho thấy việc áp dụng các mô hình trí tuệ nhân tạo vào hệ thống phát hiện tấn công cho mạng CAN Bus mang lại hiệu quả cao. Các mô hình này có thể phát hiện các cuộc tấn công với độ chính xác trên 90%. Điều này mở ra hướng đi mới cho việc bảo vệ an ninh mạng trong lĩnh vực ô tô.

4.1. Kết Quả Thử Nghiệm Với Dữ Liệu Thực Tế

Các thử nghiệm với dữ liệu thực tế cho thấy mô hình phát hiện tấn công có khả năng nhận diện chính xác các cuộc tấn công giả mạo tin nhắn và tấn công DoS.

4.2. Ứng Dụng Trong Thực Tế

Hệ thống phát hiện tấn công có thể được triển khai trong các phương tiện giao thông hiện đại, giúp bảo vệ an toàn cho người lái và hành khách.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Việc xây dựng một hệ thống phát hiện tấn công cho mạng CAN Bus là một bước tiến quan trọng trong việc bảo vệ an ninh cho các phương tiện giao thông. Hướng phát triển tương lai có thể bao gồm việc cải tiến các mô hình AI và mở rộng khả năng phát hiện cho các loại tấn công mới.

5.1. Tầm Nhìn Tương Lai Cho Hệ Thống IDS

Hệ thống IDS cần được cập nhật thường xuyên để đối phó với các mối đe dọa mới. Việc nghiên cứu và phát triển các công nghệ mới sẽ giúp nâng cao khả năng bảo vệ cho mạng CAN Bus.

5.2. Đề Xuất Các Nghiên Cứu Tiếp Theo

Các nghiên cứu tiếp theo có thể tập trung vào việc phát triển các mô hình học sâu và cải thiện khả năng phát hiện tấn công trong các môi trường phức tạp hơn.

Trích đoạn nội dung tài liệu

Chương 1. Mục tiêu của dé tài. Đối tượng và phạm vi nghiên cứu. Đối tượng nghiên cứu.

Pham vi nghiên cứu. Controller Area Network - CAN. Tổng quan về mạng CAN. Các môi de dọa vê bảo mật.

Các mô hình học máy. Các mô hình học máy truyền thốn. Random Forest Classifier. Decision Tree Classifier.

Quadratic discriminant analysis 2. Gaussian Naive Bay€S. HH HH HH HH nh 10 2. Passive Aggressive Classifier.

Stochastic Gradient Descent Classifier. Các công cu hoc máy tự động. Auto SKÏ€arn.- ng TH nh ngờ 15 2. Các mô hình học sâu.

Convolutional Neural Network — CNN. Các mô hình học máy kết hop (hybrid mode]). CNN - Random FOT€SỂ. HH THẾ HH HH HH nh 17 2.

Phân loại một lớp cho dữ liệu không cân bằng. PHƯƠNG PHÁP THỰC HIỆN. Tổng quan về mô hình phát hiện tấn công. Phương thức thực hiện và đánh 914.

Môi trường thực nghiỆm. — Đánh gid các Im€fTICS. Các giai đoạn thực hiỆn. - --- G13 1*11 1193111111 119111 ng ng key 24 3.

Mô hình LSTM kết hợp CNN nhóm đề xuất. Thư viện CandatalOader. Các Function hỗ tỢ. Cách thức hoạt động.-- --- L1 S9 HH ng ng Hit 30 3.

Phương thức sử dụng.-- ship 30 Chương4. THỰC NGHIỆM VÀ DANH GIA. Các bộ dữ liệu về CAN Bus. SynCAN dataset - Synthetic CAN Bus data.

CAN Dataset for Intrusion detection (OTTIDS). Survival Analysis Dataset for Automobile IDS. Car hacking for Intrusion DefecfIOn. | Automotive CAN Bus Intrusion Dataset v2.

Real ORNL Automotive Dynamometer (ROAD) CAN Intrusion Dataset 37 4. Xử lí đữ liệu — Trích xuất đặc 011 -. Xử lí dữ liỆU.- QC HS Hy 37 4. Trích xuất đặc trưng — Features extraction.

Thực nghiệm bộ dữ liệu SynCAN với các mô hình học máy truyền thống và các công cụ tự đỘn.- --c k1 1111111191 n TH TH TH TH TH TH HH HH 40 4. Sklearn Random Forest CÏaSSITIT. | TPOT— Automated machine learning tOOÏ.G- SH ng ng 43 4. HH HH ri 45 4.

_ PyCaret— Automated machine learning tool. Decision Tree CÏaSSIÍI€T. Ăn HH ng rưệt 48 4. AutoSklearn— Automated machine learning tool.

Thực nghiệm phương pháp One-class classification áp dung cho 4 thuật toán SVM, Isolation forest, Minimum Covariance Determinant và Local outlier factor51 4. One-class classification cho SVM. One-class classification cho Isolation ÍOr€Sf. One-class classification cho Minimum Covariance Determinant.

One-class classification cho Local outlier faCtOr. Thực nghiệm với mô hình CNN kết hợp SVM. Mô hình LSTM kết hop CNN dé xuate. Thử nghiệm với các mô hình phô biên và so sánh kêt quả với mô hình đê xuat 63 4.

Quadratic Discriminant AnaÌyS1S. Gaussian Naive Baye©S. ch nHnnHHnHnHHnHnH kg 66 4. Passive Agressive CÏaSSIÍIGT.- SG HH ng kg 71 4.

Stochastic Gradient Descent CÏassIfIer. So sánh kết quả thực nghiệm với các nghiên cứu khác. | TONG KET VÀ HƯỚNG PHÁT TRIÉN. St TT 1121121121111 11 1101121121111 11111 111gr g 78 5.

Hướng phat trin.211 crxe 79 TÀI LIEU THAM KHẢO.- 5-56 SE SE‡EEEESEESEEEESEEEEEEEEEEEEEEEEEEEEkEEkrkrrkrkrrvee 80 DANH MỤC HÌNH Hình 2-1: Cơ chế hoạt động của Random TFOT€S. - s5 S5 + ++vvseeereeeerseees 6 Hình 2-2: Cơ chế hoạt động của K-Neighbor Classifier.-- ¿5-5 s2 s+cs+£zzs27 Hình 2-3: Cơ chế hoạt động của Decision “TT€€.-- - --- - + tk tre9 Hình 2-4: Công thức phân phối Gaussian Naive Bayes.--- 2 2+ sccccsz 11 Hình 2-5: Bài toán Perceptron. ce eeeescecssceessecescecesceeeeeesaeesseecseeeseeesaecesaeeeneeseaes 12 Hình 2-6: Cơ chế của thuật toán Passive Aggressive .---:-©5c©ccccccccerecres 13 Hình 2-7: Cơ chế hoạt động của TPOTT. ¿2-2 E+EE+EE+E£+E£E£Eerkerxerkersrree 14 Hình 2-8: Cơ chế hoạt động của CNN.- -- c H HH HS HH HH ng krưưn 16 Hình 3-1: Mô hình phát hiện tan công .----¿- 2: +¿©2+++¿+Ex+2E++Ex+erxezrxrrreeree 19 Hình 3-2: Tinh Accuracy trên SKÏ€aT7Tn.- G5 + 1111 1 1 ng ng 21 Hình 3-3: Confusion matrix .c- 2 2c 0112308951901 910 191v vn nh nh rn 22 Hình 3-4: Luồng hoạt động của thư viện CANDataloader.----:--s¿2=5+ 29 Hình 4-1: Quy trình xử lí các bộ dữ liệu.-- -- ¿+25 +2 +E+seerseeeeeerereers 38 Hình 4-2: Quy trình xử lí bộ dữ liệu Automotive CANBus Intrusion Dataset v2.39 Hình 4-3: Sơ đồ luồng hoạt động của Random Foresi.----: 2 s¿cszs+c++ 41 Hình 4-4: So đồ luồng hoạt động của TPPOTT.-- 2-2 2+ £+++£E+£E++Es+rxerxezez 42 Hình 4-5: Sơ đồ luồng hoạt động của KNeighbors.----- 2-2 252 x+cxzs+zsz +2 43 Hình 4-6: Sơ đồ luồng hoạt động của TabÌNet.-- 2-5 2 22££+E+Ee£Eerxerxersree 45 Hình 4-7: Sơ đồ luồng hoạt động của PyCaret .------- 2 z+cz+xecxerxerxerxersrree 47 Hình 4-8: Sơ đồ luồng hoạt động của Decision Tree Classifier.------- 48 Hình 4-9: Sơ đồ luồng hoạt động của Auto Sklearn.------s:©s¿©csz+cs+cs+sc+z 50 Hình 4-10: Sơ đồ mô hình CNN kết hợp SVM.--2-©2¿©22 ++xvzEczrxerxerxcrex 58 Hình 4-11: Sơ đồ mô hình LSTM kết hợp CNN.----¿- 2: 22 ©5z+cx2zxvcxesree 60 Hình 4-12: Sơ đồ hoạt động của Quadratic Discriminant Analysis.---- 64 Hinh 4-13: So dé hoat động của Gaussian Naive Bayes.

se 67 Hình 4-14: Sơ đồ hoạt động của thuật toán Perceptron.-----s sex 69 Hình 4-15: Sơ đồ hoạt động của Passive Aggressive Classifier.---- 71 Hình 4-16: So đồ hoạt động của Stochastic Gradient Descent.-- --‹-- 74 DANH MỤC BANG Bảng 3-1: Các giai đoạn thực hiỆn. -- óc 3c 1321139111 9111111 11 811 re 25 Bang 3-2: Các layer của mô hình dé xuất .-- - 2 2 s2 +2 +2 E£+E+Ee£Eerxerxerszxee 27 Bảng 4-1: Tổng hợp số lượng tin nhắn trong bộ dữ liệu Survival Analysis Dataset for Automobile [IDS.- - + s1 vn ng TH Hư 34 Bảng 4-2: Tổng hợp số lượng tin nhắn trong bộ Car hacking for Intrusion Detection. 35 Bang 4-3: Kết quả thu được khi thử nghiệm SynCAN và Random Forest. 42 Bang 4-4: Kết quả thu được khi thử nghiệm SynCAN và KNeighbors.

44 Bảng 4-5: Kết quả thu được khi thử nghiệm SynCAN và TabNet. 46 Bảng 4-6: Kết quả thu được khi thử nghiệm SynCAN va Decision Tree. 49 Bảng 4-7: Kết quả thu được khi thử nghiệm SynCAN và AutoSklearn. 51 Bang 4-8: Kết quả thu được khi thử nghiệm One-class SVM.------- 54 Bang 4-9: Kết quả thu được khi thử nghiệm One-class isolation forest.- 55 Bang 4-10: Kết quả thu được khi thử nghiệm Minimum Covariance Determinant .56 Bảng 4-11: Kết quả thu được khi thử nghiệm Local Outlier Fator.57 Bảng 4-12: Kết quả thu được khi thực hiện thử nghiệm với mô hình CNN — SVM60 Bảng 4-13: Kết quả thu được khi thực hiện thử nghiệm mô hình CNN — LSTM.63 Bảng 4-14: Kết quả thu được khi thực hiện thử nghiệm Quadratic Discriminant 15100 HH -:.

66 Bang 4-15: Kết quả thu được khi thực hiện thử nghiệm Gaussian Naive Bayes.68 Bảng 4-16: Kết quả thu được khi thực hiện thử nghiệm thuật toán Perceptron. 71 Bảng 4-17: Kết quả thu được khi thực hiện thử nghiệm Passive Aggressive Classifier. 73 Bảng 4-18: Kết quả thu được khi thực hiện thử nghiệm Stochastic Gradient Descent Bang 4-19: Bảng so sánh các chỉ số trên bộ dit liệu Car Hacking. ----77 DANH MỤC TU VIET TAT TU NOI DUNG DIEN GIAI Giao thức truyền thông nỗi tiếp hỗ CAN Controller Area Network trợ những hệ thống điều khién thời gian thực AI Artificial Intelligence Trí tuệ nhân tạo CNN Convolutional Neural Network Mang no ron tich chap IDS Intrusion Detection System Hệ thống phát hiện xâm nhập SVM Support Vector Machine May véc tơ hỗ trợ QDA Quadratic Discriminant Analysis Phân tích phân biệt Thuật toán Stochastic Gradient SGD Stochastic Gradient Descent Descent TÓM TẮT KHÓA LUẬN Sự phát triển nhanh chóng của xe tự lái va xe thông minh trong thời gian qua khiến cho chúng trở thành mục tiêu mới cho các hacker trên mỗi hành trình.

Cốt lõi của xe tự lái, mạng CAN Bus, là một hệ thống liên kết các thiết bị điện tử trong ô tô, cho phép truyền thông tin và điều khiển các thành phần khác nhau dé vận hành phương tiện. Chính vì vậy, việc bảo vệ hệ thông mạng CAN Bus khỏi các tan công từ bên ngoài trở nên cực kỳ quan trọng. Các tấn công như tấn công tu chối dịch vụ (DoS), chèn tin nhắn giả mạo,. có thể trực tiếp gây ảnh hưởng, thay đổi hành vi của phương tiện, gây nguy hiểm trực tiếp đến người dùng trong mỗi chuyến đi.

Trong quá trình thực hiện, chúng tôi đã tiến hành thu thập, phân tích, xử lí và tổng hợp các bộ dữ liệu liên quan đến các cuộc tấn công vào mạng CAN Bus, đồng thời nghiên cứu và áp dụng các thuật toán trí tuệ nhân tạo vào việc phân tích tin nhắn dé phát hiện các tân công một cách có hiệu quả nhât. Thông qua đề tài khóa luận này, chúng tôi mong muốn sẽ mang lại được một thư viện chuyên cung cấp dữ liệu về CAN Bus, và đề xuất được một mô hình trí tuệ nhân tạo có hiệu suat tot, đóng góp vào các nghiên cứu vê hệ thông mạng CAN Bus về sau. Tên đề tài XÂY DUNG HỆ THONG PHAT HIỆN TAN CONG CHO HE THONG MANG CAN BUS (Building an Intrusion Detection System for Controller Area Network (CAN) Bus System) 1. Đặt van đề Hệ thống mang CAN Bus đã trở thành một phan quan trọng trong lĩnh vực 6 tô và điện tử.

Với khả năng truyền thông tin nhanh chóng và đáng tin cậy, CAN Bus cho phép các thành phần điện tử trong một phương tiện giao tiếp với nhau một cách hiệu quả. Tuy nhiên, với sự gia tăng đáng ké về sự phức tạp và tính năng của các hệ thống ô tô hiện đại, cùng với sự phát triển của các công nghệ kết nối thông minh và xe tự lái, các vấn đề liên quan đến an ninh và an toàn của hệ thống mạng CAN Bus đã trở thành một mối quan tâm đáng kể. Một loại tan công phô biến trên hệ thống mang CAN Bus là tan công giả mao tin nhăn. Trong tan công này, kẻ tan công can thiệp vào giao tiếp trên mạng CAN Bus và gửi các tin nhăn giả mạo đến các thành phần điện tử trong phương tiện.

Giả sử có một hệ thong 6 tô được trang bi mạng CAN Bus, trong đó các thành phần điện tử như động cơ, hệ thông điều khiển phanh và hệ thống giảm xóc đều giao tiếp với nhau qua mạng CAN Bus. Kẻ tấn công đã tìm cách truy cập và can thiệp vào hệ thống này và gửi một tin nhắn giả mạo cho hệ thống điều khiển phanh trên mạng CAN Bus, với nội dung tốc độ của xe đã vượt quá giới hạn an toàn. Hệ thống điều khiển phanh, nhận được tin nhắn giả mạo này, sẽ tin răng tốc độ của xe quá cao và thực hiện các biện pháp phanh khan cấp. Điều này có thé dẫn đến việc xe bị phanh gấp đột ngột, gây hư hại các bộ phận của phương tiện và nguy hiểm trực tiếp cho người lái và hành khách.

Tóm lại, vấn đề cần giải quyết là xây dựng một Hệ thống Phát hiện xâm nhập (Intrusion Detection System - IDS) hiệu qua cho hệ thong CAN Bus. Su thiéu hụt các cơ chế bảo mật vững chắc trong giao thức CAN tạo ra một thách thức lớn, vì nó cho phép những kẻ tan công tiềm năng can thiệp hoặc làm gián đoạn các chức năng quan trọng của phương tiện, gây ra nguy cơ về an toàn và riêng tư nghiêm trọng.