智能网联汽车为了提高驾驶者的安全性和便利性,集成了导航、移动办公、车辆控制、辅助驾驶等功能,日益丰富的接口导致车载网络更容易成为黑客攻击的目标,造成用户信息泄露,车辆失控等重大安全问题,因此智能网联汽车面临着传统汽车前所未有的网络安全风险,如何设计车载网络防护策略是一个巨大的挑战。不论对车载网络的攻击是有线还是无线攻击,最终的落脚点都在控制器局域网(CAN)上。作为车载网络事实上的标准,CAN总线没有足够的安全功能,例如消息加密和发送者身份验证,无法保护网络免受欺骗、入侵和控制等网络攻击。针对智能网联汽车的车载网络面临网络安全威胁日益严峻的情况,充分考虑车载网络在设计和实际使用过程中的约束条件,结合攻击者的特点,开展车载网络入侵检测系统研究。通过分析攻击者模型,将车载网络的攻击分为两类,分别称为伪装攻击和注入攻击。之后针对两种攻击分别设计了两种新的入侵检测方案对攻击进行检测,保护车载网络的安全。具体工作如下:首先,针对车载网络中的伪装攻击提出了一种新型的入侵检测系统,该系统利用电子CAN信号的独特特性作为电子控制单元的指纹,通过测量和利用CAN上的电压来识别攻击者来源。首先针对采集到的电子控制单元(ECU)电压数据的特点设计了一种电压原始数据处理机制,将ECU电压信号分成三组,并分别对每组数据提取统计特征,通过单独考虑各个组,使得重要特征更加明显。其次对数据集的特征属性进行排序和降维,筛选出携带信息丰富的特征,去除无关特征和重复特征,建立ECU指纹数据集。之后使用梯度提升决策树(GBDT)分类模型对数据进行学习和训练,将ECU身份识别问题转化为多类别分类问题,利用训练好的模型实现了对正常ECU指纹的高概率识别。训练好的模型用于对非法入侵的检测,为了对提出的入侵检测系统的准确性进行验证,用真实车辆上采集的数据进行了实验。实验结果表明,提出的入侵检测系统可以准确识别伪装攻击,并且检测正确率高于现有的三个入侵检测系统方案。其次,针对车载网络中的注入攻击提出了一种新型的入侵检测系统,该系统分析CAN总线数据流的传输规律并使用离群值检测方法找出异常值。为了分析CAN总线数据流的特点,首先记录CAN总线上传输的数据内容,对每一个CAN ID数据内容的变化规律进行提取以获得特征。其次使用主成分分析(PCA)模型对数据集的特征属性进行分析和降维,基于此建立了正常CAN消息字段的数据集。之后使用一类支持向量机(OCSVM)分类模型对数据进行学习和训练,将异常CAN数据识别问题转化为离群值检测问题,利用正常数据训练模型,只需要找到一个闭合空间将正常的样本覆盖,任何在闭合空间之外的点都被判断为异常。最后,在真实车辆上采集的数据,对提出的入侵检测系统的识别正确率进行了验证。实验结果表明,提出的入侵检测系统可以低错误率识别拒绝服务攻击,模糊攻击和驾驶行为异常。