我们提出了一个基于机器学习的方法来检测车辆自组网（VANET）中的黑洞攻击，并评估了各种机器学习算法的有效性，结果表明这些算法在区分正常节点和恶意节点方面是有效的。我们的研究结果强调了机器学习方法在增强 VANET 安全性方面的潜力。

Jan, 2024

本文提出了一种基于隐私保护机器学习的协作入侵检测系统（PML-CIDS），它可以通过应用分布式机器学习算法，实现 VANET 的高效安全检测，并通过差分隐私技术保护数据的隐私性。

May, 2020

本文讨论了 CAN 总线协议的安全问题，并提出了一种基于人工智能算法的入侵检测系统，旨在通过考虑时间序列特征和攻击频率来准确检测已知的网络攻击。

May, 2022

本论文提出了一种完全有效的基于机器学习的方法，用于保护连接车辆免受网络攻击，并针对使用配置规则提取相关信息的不同车辆接口（网络、CAN 和操作系统）进行监测，通过训练出的生成模型检测异常，以探测并诊断出其他现有方法无法发现的异常情况。

Nov, 2017

本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

Jan, 2021

利用深度自编码器方法检测基于良性网络流量模式的攻击，通过联邦学习训练侵入检测系统，同时保护 CAVs 的隐私并减少通信开销。在最新的网络流量数据集上进行的深入实验表明，该系统实现了高检测率，并最小化误报率和检测延迟。

Jul, 2024

本研究提出了一种基于树形机器学习模型的智能入侵检测系统，可以有效识别自动驾驶汽车网络中的各种网络攻击，并且在高检测率和低计算成本同时实现。

Oct, 2019

这篇系统综述主要研究与连接和自动驾驶车辆相关的异常检测。研究发现，神经网络（如 LSTM，CNN 和自编码器）以及单类支持向量机是最常用的人工智能算法。大多数异常检测模型使用真实世界的车辆数据进行训练，但常常人为地向数据集中注入攻击和故障等异常情况。这些模型主要通过召回率、准确率、精确率、F1 分数和误报率等五个主要评估指标进行评估。此外，文章提出了几项建议，包括综合使用多个评估指标、公开分享模型以促进研究社区的合作和验证，并需要建立具有预定义异常或网络攻击的基准数据集来测试和改进提出的基于异常的检测模型的有效性。此外，对使用不同于 CAN 协议（如以太网和 FlexRay）的入侵检测系统的研究还缺乏。

May, 2024

本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS，用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中，该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25％的检测率和 F1 分数，表明了其对车内和外部汽车网络中的网络攻击检测的有效性。

Jan, 2022

为了检测自动驾驶车辆遭受的网络攻击，本论文提出了一个基于交通模型框架和生成对抗网络的异常检测模型，通过实时车辆轨迹数据来识别恶意操作控制命令、传感器测量的虚假数据注入攻击以及拒绝服务攻击。与其他神经网络模型相比，所提出的方法在准确识别具有异常驾驶行为的自适应巡航控制车辆方面具有更高的准确率。

Oct, 2023