AV-IDS-Dataset

Dataset e scripts para detecção de intrusão em redes CAN de veículos autônomos, produzido via simulação com o CARLA.

Estrutura do repositório

scripts/
  1_convert_can_logs.py    # Padronização dos logs brutos exportados pelo CARLA
  2_inject_attacks.py      # Injeção dos vetores de ataque cibernético
  3_merge_datasets.py      # Consolidação dos 45 cenários em um único arquivo
  4_train_models.py        # Treinamento e avaliação dos modelos de ML

data/
  raw/                     # Logs CAN brutos exportados pelo módulo CARLA-CAN
  can_logs/                # Logs padronizados em formato CAN 2.0B (saída do script 1)
  scenarios/               # 45 CSVs com ataques injetados, um por cenário
  combined_can_dataset.csv.gz  # Dataset final consolidado

Cenários

Os dados cobrem 45 combinações de três dimensões:

• Tipo de via: urban, rural, highway
• Condição climática: dry, rain_fog, snow
• Perfil de ataque: Normal, DoS, Fuzzy, RPM_Spoofing, Gear_Spoofing

Cada cenário resulta em um arquivo no padrão attacked_<via>_<clima>_<perfil>.csv.

Pipeline

1. Coleta no CARLA

As simulações foram executadas nos mapas Town03 (urbano), Town07 (rural) e Town04 (rodovia) do CARLA 0.9.14. O módulo de simulação captura a telemetria do veículo e a serializa no barramento CAN virtual, exportando os logs para data/raw/.

2. Conversão para CAN 2.0B

python scripts/1_convert_can_logs.py

Lê os logs brutos de data/raw/, decodifica os campos utilizando o mapeamento do arquivo DBC customizado (identificadores, fatores de escala e periodicidades compatíveis com o padrão CAN 2.0B), valida a consistência física dos sinais e grava os frames padronizados em data/can_logs/. Frames com instabilidades do simulador são descartados nesta etapa.

3. Injeção de ataques

python scripts/2_inject_attacks.py

Para cada log em data/can_logs/, gera cinco arquivos em data/scenarios/: um de operação normal e um por vetor de ataque (DoS, Fuzzy, RPM_Spoofing, Gear_Spoofing). Os ataques são injetados diretamente na sequência de frames, simulando um nó malicioso conectado ao barramento físico via OBD-II ou módulo periférico comprometido.

4. Consolidação

python scripts/3_merge_datasets.py --shuffle --random-state 42

Une os 45 CSVs em combined_can_dataset.csv. O tipo de via e a condição climática são extraídos automaticamente do nome de cada arquivo-fonte.

5. Treinamento dos modelos

python scripts/4_train_models.py

Aplica a divisão treino/teste por cenário completo (80/20), balanceia o conjunto de treinamento com SMOTE e treina os quatro modelos com otimização de hiperparâmetros via Optuna.

Dataset final

O arquivo data/combined_can_dataset.csv.gz está disponível para uso direto:

import pandas as pd
df = pd.read_csv('data/combined_can_dataset.csv.gz', compression='gzip')

Balanceamento

Aplicado apenas ao conjunto de treinamento. O conjunto de teste mantém a distribuição original para que a avaliação reflita condições reais de operação.

Modelos implementados

• Árvore de Decisão
• Random Forest
• XGBoost
• CNN

Instalação

pip install -r requirements.txt