Tesi etd-03112024-110358 |
Link copiato negli appunti
Tipo di tesi
Tesi di laurea magistrale
Autore
ZAPPAVIGNA, MICHELE
URN
etd-03112024-110358
Titolo
Analysis of ML algorithms for physical-based intrusion detection and real-time implementation on embedded automotive ECU
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA ROBOTICA E DELL'AUTOMAZIONE
Relatori
relatore Prof. Saponara, Sergio
correlatore Ing. Dini, Pierpaolo
correlatore Ing. Dini, Pierpaolo
Parole chiave
- automotive
- CAN
- detection
- intrusion
- voltage
- fingerprint
- machine-learning
Data inizio appello
10/04/2024
Consultabilità
Non consultabile
Data di rilascio
10/04/2094
Riassunto
ITA:
Implementazione di un algoritmo di fingerprinting per intrusion detection, il quale è in grado di classificare le ECUs connesse attraverso una rete CAN, basandosi sul livello fisico dei messaggi trasmessi. Nota l'associazione ID-centralina, l'algoritmo riconosce se il livello fisico è coerente con l'ID associato, nel caso in cui non lo sia per 10 messaggi consecutivi, allora viene notificata un'anomalia
ENG:
Implementation of a fingerprinting algorithm for intrusion detection, which is able to classify ECUs connected via a CAN network, based on the physical level of the transmitted messages. Knowing the ECU-ID association, the algorithm recognises if the physical level is consistent with the associated ID, if it is not for 10 consecutive messages, then an anomaly is notified
Implementazione di un algoritmo di fingerprinting per intrusion detection, il quale è in grado di classificare le ECUs connesse attraverso una rete CAN, basandosi sul livello fisico dei messaggi trasmessi. Nota l'associazione ID-centralina, l'algoritmo riconosce se il livello fisico è coerente con l'ID associato, nel caso in cui non lo sia per 10 messaggi consecutivi, allora viene notificata un'anomalia
ENG:
Implementation of a fingerprinting algorithm for intrusion detection, which is able to classify ECUs connected via a CAN network, based on the physical level of the transmitted messages. Knowing the ECU-ID association, the algorithm recognises if the physical level is consistent with the associated ID, if it is not for 10 consecutive messages, then an anomaly is notified
File
| Nome file | Dimensione |
|---|---|
La tesi non è consultabile. |
|