研究背景
• インターネット等と繋がる自動車に対するハッキングが問題
► 研究者がCANバスを攻撃し車両を遠隔操作する事例が相次ぐ
• 例: Jeep Cherokee[1], Tesla model S[2]
1
[1] C. Miller and C. Valasek, “Remote exploitation of an unaltered passenger vehicle,” Black Hat USA, vol. 2015, pp. 1–91, 2015.
[2] S. Nie, L. Liu, and Y. Du, “Free-fall: hacking tesla from wireless to can bus,” Briefing, Black Hat USA, pp. 1–16, 2017.
Attacker
Radio
Engine
ECU
Meter
ECU
OBD-II
Port
Brake
ECU
https://www.wired.com/2015/07/
jeep-hack-chrysler-recalls-1-4m-vehicles-bug-fix/
CAN

Controller Area Network (CAN)
• CAN
► 自動車内のECUの配線をシンプルにする目的で開発
► 現在の車載ネットワークの標準
► 特徴：
• 11bitのArbitration ID
• 64bitのData Field
• 500kbps
2
→ 送信元を識別不可能
→ MAC認証等は適用困難
→ DoS攻撃に脆弱
侵入検知システム(IDS)によるセキュリティ対策
CANメッセージフォーマット

CANにおけるIDS (1/2)
• シグネチャ・アノマリ型IDS
► 一定期間におけるIDのエントロピーを用いた手法[3, 4]
• (+) DoS攻撃・再送攻撃を高速に検出可能
• (–) 高い偽陰率
• 例：エントロピーを偽装したDoS攻撃
• 物理的特徴に基づくIDS
► 電圧値を用いた送信元識別手法[5, 6]
• (+) 正解率が96.48~99.85%
• (+) 温度変化に対しロバスト
• (–) 1メッセージあたりのサンプリング回数が多い
3
[3] M. Muter and N. Asaj, “Entropy-based Anomaly Detection for In-Vehicle Networks,” in 2011 IEEE Intelligent Vehicles Symposium (IV). IEEE, pp. 1110–1115, 2011.
[4] W. Wu, Y. Huang, R. Kurachi, G. Zeng, G. Xie, R. Li, and K. Li, “Sliding Window Optimized Information Entropy Analysis Method for Intrusion Detection on In-Vehicle
Networks,” IEEE Access, vol. 6, pp. 45233–45245, 2018.
[5] M. Kneib and C. Huth, “Scission: Signal Characteristic-Based Sender Identification and Intrusion Detection in Automotive Networks,” in Proceedings of the 2018 ACM
SIGSAC Conference on Computer and Communications Security. ACM, pp. 787–800, 2018.
[6] M. Foruhandeh, Y. Man, R. Gerdes, M. Li, and T. Chantem, “SIMPLE: Single-Frame Based Physical Layer Identification for Intrusion Detection and Prevention on In-
Vehicle Networks,” in Proceedings of the 35th Annual Computer Security Applications Conference, 2019.

CANにおけるIDS (2/2)
• 物理的特徴に基づくIDS
► 遅延時間を用いた送信元識別手法[7]
• CAN transceiverの遅延時間の平均・標準偏差
• (+) 1メッセージあたりのサンプリング回数が少ない
• (–) 遅延時間が近いECUがある場合，平均正解率が40%前後
• (–) 温度変化に対しロバストでない
4
[7] Tomoya Kitagawa, Ismail Arai, Masatoshi Kakiuchi, Atsuo Inomata, Kazutoshi Fujikawa, "Fingerprinting of ECUs using delay time on Controller Area Networks", ISCIS
Security Workshop 2018, Feb, 2018
時間分解能:500ps
Node1 Tx
Node2 Rx
Delay-Time
Delay-Time
トランジスタのゲートの出力容量・入力容量 配線容量

従来の送信元識別手法のまとめ
5
電圧値に基づく手法
[5, 6, 7]
遅延時間に基づく手法
[8]
平均正解率 96.48~100.0%
81.43%
(時間分解能 : 20ns)
最大/最小の
サンプリング回数
444 × 103
/198 × 103
~
111/47
14/5
特徴量
電圧/複数の時間領域と周波
数領域の特徴量
遅延時間/2つの時間領域の
特徴量
温度変化への対策 ○ ×
[5] W. Choi, H. J. Jo, S. Woo, J. Y. Chun, J. Park, and D. H. Lee, “Identifying Ecus Using Inimitable Characteristics of Signals in Controller Area Networks,”
in IEEE Transactions on Vehicular Technology, vol. 67, no. 6. IEEE, pp. 4757–4770, 2018.
[6] M. Kneib and C. Huth, “Scission: Signal Characteristic-Based Sender Identification and Intrusion Detection in Automotive Networks,” in Proceedings of
the 2018 ACM SIGSAC Conference on Computer and Communications Security. ACM, pp. 787–800, 2018.
[7] M. Foruhandeh, Y. Man, R. Gerdes, M. Li, and T. Chantem, “SIMPLE: Single-Frame Based Physical Layer Identification for Intrusion Detection and
Prevention on In-Vehicle Networks,” in Proceedings of the 35th Annual Computer Security Applications Conference, 2019.
[8] Tomoya Kitagawa, Ismail Arai, Masatoshi Kakiuchi, Atsuo Inomata, Kazutoshi Fujikawa, "Fingerprinting of ECUs using delay time on Controller Area
Networks", ISCIS Security Workshop 2018, Feb, 2018.

研究目的
• サンプリング回数が少ない高精度な送信元識別手法の確立
I. 遅延時間の高時間分解能観測
• 遅延時間 ：従来手法[7]と同様
• 時間分解能 ：500ps（オシロスコープの分解能）以上
II. 特徴抽出
• 特徴量 ：分類に有効な特徴量をRelief-F[9]を用いて選択
III. 学習アルゴリズムによる分類
• 学習アルゴリズム：複数の学習アルゴリズムから高精度なアルゴリズ
ムを選択
IV. 温度情報の付加
6
I. 遅延時間の
⾼時間分解能観測
II. 特徴抽出
III. 学習アルゴ
リズムによる分類
CAN Signal (High, Low)
ECUs
良性
or
悪性
Train
Test
提案⼿法の概要
FPGA Microcomputer
IV. 温度
情報の付加
+
[9] I. Kononenko, “Estimating attributes: analysis and extensions of relief,” in European conference on machine learning. Springer, pp.
171–182, 1994.

提案手法：遅延時間の定義
• 従来手法[7]と同様に，立ち上がり時と立ち下がり時の遅延を計測
7
送信側のTx波形
受信側のRx波形
CANの差動電圧
𝑡3− 𝑡2= 𝑡4 − 𝑡1 ≈ 𝑡4 − 𝑡bit (𝑡bit: CANにおける1bitの時間
= 2000ns)↑
IDSが観測可能なパラメータ

測定結果
提案手法：遅延時間の高時間分解能観測
• Time-Digital Converter (TDC)
► 入力パルスの時間差を数値に変換するタイムディジタイザ
• 数百〜数十psの高い時間分解能を実現できる
• 素粒子物理学における実験・集積回路のテスト等で用いられる
► FPGAで実装可能[8, 9]
8
[8] Song, Q. An & S. Liu, "A high-resolution time-to-digital converter implemented in field-programmable-gate-arrays," in IEEE Transactions on Nuclear
Science, pp. 236 - 241, vol. 53, 2005.
[9] J. Wu, Z. Shi, "The 10-ps wave union TDC: Improving FPGA TDC resolution beyond its cell delay", Proc. IEEE Nuclear Science Symp. Conf. Rec., pp. 3440-
3446, 2008.
FFの出力1100より，
𝑡4= 200ps (𝜏 = 100psの場合)

提案手法の実装
• 実装
► Intel DE0 Cyclone V FPGA
• 時間分解能: 154ps
• CAN信号の立ち上がり毎に，遅延時間を記録しFIFOへ追加
► Raspberry Pi
• SPI通信で遅延時間を受信，学習および分類
9
SPI
Coarse
Time
Sampling
FPGA (Intel Cyclone V)
CAN bus
Rx
GPIO
GPIO
Microcomputer
(Raspberry Pi 3 model B)
SPI masterSPI slave
34
MCP2551
FIFO
CAN ID, DLC
identification
+
34
12 7
Tapped Delay
TDC
15

評価：CANバスプロトタイプでの送信元識別精度
• 𝐾-分割交差検証 (𝐾 = 5) | ランダムフォレスト分類器
► 従来手法 (特徴量: 2つの統計量，時間分解能: 20ns)
• 平均正解率 81.43%
► 提案手法 (特徴量: 8つの統計量，時間分解能: 154ps)
• 平均正解率 99.67%
10
従来手法 提案手法

評価：実車での送信元識別精度
• 𝐾-分割交差検証 (𝐾 = 5) | ランダムフォレスト分類器
► 従来手法 (特徴量: 2つの統計量，時間分解能: 20ns)
• 平均正解率 76.75%
► 提案手法 (特徴量: 8つの統計量，時間分解能: 154ps)
• 平均正解率 95.94%
11
従来手法 提案手法

時間分解能を変化させた場合の平均正解率
• 学習アルゴリズム | 特徴量
► ランダムフォレスト分類器 | 8つの統計量
12

評価：温度が変化する環境での分類精度
13
学習モデル
検証データ
検証データ
学習モデル
温度情報の付加なし
温度情報の付加あり
• 温度情報の付加なし
► 温度が変化するにつれ，
平均正解率が減少
• 温度情報の付加あり
► 1つの学習モデル
► 全ての温度で99%以上

電圧値に基づく送信元識別手法との比較
14
Choiら (2018)
[5]
Scission (2018)
[6]
SIMPLE (2019)
[7]
提案手法
平均正解率 96.48 % 99.85 % 100.00 % 99.67 %
最大/最小の
サンプリング回数
444 × 103
/198 × 103
4440/1980 111/47 14/5
情報源/特徴量
電圧/8つの時間ドメイ
ンおよび9つの周波数
ドメインの特徴量
電圧/10の時間ドメイン
および8つの周波数ドメ
インの特徴量
電圧/複数の時間ドメイ
ンの特徴量
遅延時間/8つの時間
ドメインの特徴量
特徴抽出における
計算量
Ω(𝑛 log 𝑛) Ω(𝑛 log 𝑛) Θ(𝑛) Θ(𝑛)
温度変化への対策 × × ○ ○
[5] W. Choi, H. J. Jo, S. Woo, J. Y. Chun, J. Park, and D. H. Lee, “Identifying Ecus Using Inimitable Characteristics of Signals in Controller Area Networks,”
in IEEE Transactions on Vehicular Technology, vol. 67, no. 6. IEEE, pp. 4757–4770, 2018.
[6] M. Kneib and C. Huth, “Scission: Signal Characteristic-Based Sender Identification and Intrusion Detection in Automotive Networks,” in Proceedings of
the 2018 ACM SIGSAC Conference on Computer and Communications Security. ACM, pp. 787–800, 2018.
[7] M. Foruhandeh, Y. Man, R. Gerdes, M. Li, and T. Chantem, “SIMPLE: Single-Frame Based Physical Layer Identification for Intrusion Detection and
Prevention on In-Vehicle Networks,” in Proceedings of the 35th Annual Computer Security Applications Conference, 2019.