提出了一种基于空时相关性特征的汽车入侵检测模型 (STC-IDS)，该模型通过编码检测架构强制生成空时关注特征并实现异常分类，并在真实世界的车辆攻击数据集上显示了优异的性能。

Apr, 2022

使用无监督学习的卷积自编码器架构进行零日攻击检测，通过在仅有良性（无攻击）CAN 消息上训练模型，成功实现对未知攻击类型的高准确率分类，并且能够在高速 CAN 网络上实现线速检测，适用于关键 CAN 网络的零日攻击检测。

Jan, 2024

本文提出了一种可解释的 CAN 协议数据通信入侵检测系统 (RX-ADS)，采用基于窗口的特征提取方法、基于深度自编码器的异常检测方法和基于对抗机器学习的解释生成方法。RX-ADS 方法在 OTIDS 和 Car Hacking 数据集上的性能都达到了或超过了其他最先进的方法，还能够生成各种入侵引起的异常行为解释，可用于根本原因分析和 AI 模型调试，最终提高用户对 AI 系统的信任。

Sep, 2022

提出了一种基于混合 FPGA 设备的集成化汽车控制器区域网络 (IDS) 架构，采用两个量化的多层感知器 (QMLP)，加速利用 Xilinx 的深度学习处理单元 (DPU) IP 块进行攻击检测，达到了最先进的分类准确性和降低功耗的效果。

Jan, 2024

我们提出了一种多尺度时空交互网络（MSTI-Net），采用基于注意力机制的时空融合模块（ASTM）代替直接融合，并注入多个 ASTM 基础的连接，以促进所有可能的空间时间交互，最终将在多个尺度上学习的正常信息记录在内存中，在测试阶段增强异常和正常事件之间的区分。该方法在三个标准数据集上取得了良好的实验结果，UCSD Ped2 的 AUC 值达到了 96.8％，CUHK Avenue 的 AUC 值达到了 87.6％，ShanghaiTech 数据集的 AUC 值达到了 73.9％。

Jun, 2023

提出了一种基于 FPGA 的 ECU 方法，通过专用的现成硬件加速器实现深度卷积神经网络入侵检测模型，平均准确率超过 99％，在多个攻击数据集中的误检率为 0.64％，并且相比于 GPU 上的 IDS 实现，在能量消耗上降低了 94％，每个消息的处理延迟降低了 51.8％。

Jan, 2024

车辆之间越来越多的连接性正在提供新的功能，如连接的自动驾驶和先进的驾驶辅助系统（ADAS），以改善下一代车辆的安全性和可靠性。本文提出了一种轻量级的多攻击量化机器学习模型，使用 Xilinx 的 Deep Learning Processing Unit IP 在 Zynq Ultrascale+（XCZU3EG）FPGA 上部署，使用公共 CAN 入侵检测数据集进行训练和验证。该模型能够以 99% 以上的准确率检测到拒绝服务和模糊攻击，并且误报率仅为 0.07%，与文献中的最先进技术相当。入侵检测系统的执行仅消耗 2.0 W 的功率，在 ECU 上运行的软件任务可以缩短消息处理延迟 25%，与最先进的实现相比。这种部署方式允许 ECU 功能与入侵检测系统共存，并且对任务的改动非常小，非常适合用于车载系统中的实时入侵检测。

Jan, 2024

本文提出了一种细粒度的自适应异常诊断方法（即 MAD-Transformer）来识别和诊断多元时间序列中的异常行为，并通过比较残差矩阵与原始矩阵来确定和诊断异常，实验证明 MAD-Transformer 可以适应性地检测短时异常，并在噪声鲁棒性和本地化性能方面优于现有的基线模型。

Mar, 2024

该论文介绍了一种称为统计聚合异常检测（SAAD）的新型异常检测方法。SAAD 方法将先进的统计技术与机器学习相结合，通过在汽车领域的硬件在环（HIL）环境中对真实传感器数据进行验证证明了其有效性。SAAD 的关键创新在于结合了全连接网络和辍学层，极大地提高了异常检测的准确性和健壮性。综合实验评估结果表明，单独的统计方法达到了 72.1% 的准确性，而单独的深度学习模型达到了 71.5% 的准确性。相比之下，聚合方法达到了 88.3% 的准确性和 0.921 的 F1 得分，优于单独的模型。这些结果强调了 SAAD 的有效性，并展示了其在各个领域，包括汽车系统中的广泛应用潜力。

Jun, 2024

本文提出了一种基于生成对抗神经网络（GAN）的深度学习方法的车载网络入侵检测系统（GIDS），可用于检测未知攻击，实验证明 GIDS 对 4 种未知攻击具有较高的检测精度。

Jul, 2019