Abstract
В условиях цифровизации транспортных средств и роста числа электронных блоков управления обеспечение кибербезопасности автомобильных сетей становится одной из приоритетных задач. Современные транспортные средства представляют собой сложные киберфизические систе-мы, в которых обмен данными между электронными компонентами осущест-вляется по шине CAN (Controller Area Network). Несмотря на широкое распро-странение и надежность данного протокола, архитектура CAN изначально не предусматривала механизмов защиты от кибератак, что делает транспортные сети уязвимыми к различным видам вмешательства, включая атаки типа DoS, Fuzzy, RPM Spoofing и Gear Spoofing. В данной работе рассматривается задача автоматического обнаружения и классификации кибератак в автомобильных сетях на основе методов машинного обучения. В качестве исходных данных использовался открытый набор Car Hacking Dataset, содержащий реальные журналы CAN-сообщений как в нормальных условиях, так и при моделировании атак. Проведена предварительная обработка данных, включающая очистку, нормализацию и балансировку классов, а также анализ корреляции признаков.Для решения задачи мультиклассовой классификации были реализованы и сравнены два алгоритма машинного обучения: XGBoost и логистическая регрессия. Оценка качества моделей проводилась с использованием матриц ошибок и анализа точности по классам. Результаты экспериментов показали, что модель XGBoost демонстрирует более высокую точность и устойчивость при классификации атак по сравнению с логистической регрессией, особенно для большинства атакующих классов. Дополнительный анализ важности признаков позволил выявить наиболее информативные параметры CAN-сообщений, отражающие характер инжектируемых атак. Полученные результаты подтверждают эффективность применения методов машинного обучения для повышения уровня безопасности транспортных сетей и могут быть использованы при разработке интеллектуальных систем обнаружения вторжений в автомобильных CAN-сетях.