May, 2024

系统评述：自动驾驶车辆中的异常检测

PDF
TL;DR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。
anomaly detectionconnected and autonomous vehiclesartificial intelligence algorithmsevaluation metricsintrusion detection systems
发现论文，激发创造
  • 车内网络异常检测

    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

  • 互联汽车网络安全的高级分析

    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

  • 自动驾驶中异常检测的合成异常样本生成

    我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略，通过对最先进的 DenseHybrid 模型的训练阶段进行修改，我们实现了显著的异常检测性能提升。此外，我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果，而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。

    Aug, 2023

  • 探索应用对抗学习进行复杂驾驶场景下的异常检测

    本文研究了采用机器学习中的对抗学习技术来识别培训数据集之外的数据作为人工智能自主驾驶车辆等多种安全关键功能系统的安全度量标志，鉴于这些系统的准确性取决于训练数据的质量，并探讨了这种技术在高度复杂的驾驶情景数据集中的表现。

    Jun, 2023

  • MEDAVET: 基于车辆交通的空间和时间结构的交通车辆异常检测机制

    本篇论文通过计算机视觉建立车辆跟踪模型，用于检测高速公路上的交通异常，并提出了检测、跟踪和分析交通的步骤，具体包括从城市交通视频中检测车辆、使用双分图和凸包算法进行车辆跟踪，以及使用两种数据结构检测异常的起点和终点。实验结果显示该方法在 Track4 测试集上表现可接受，F1 分数为 85.7%，均方误差为 25.432。

    Oct, 2023

  • 检测自适应巡航控制车辆上的隐蔽网络攻击：一种机器学习方法

    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

  • 车载 CAN 网络异常检测中监督学习与半监督学习的比较研究

    本文基于大规模 CAN 网络流量数据，提取了有价值的特征，并全面比较了全监督机器学习和半监督机器学习方法在 CAN 消息异常检测方面的性能，提出了一种基于深度自编码器的半监督学习方法应用于 CAN 消息异常检测。通过广泛的实验，本文证明全监督方法通常优于半监督方法，其中，基于 XGBoost 的模型在准确度、精确度和 ROC AUC 等方面表现最佳，超过了文献中报道的其他方法。

    Jul, 2022

  • 无监督异常检测算法的大规模评估揭示

    本文综合研究了 12 个最流行的无监督异常检测方法，发现它们被评估时使用了不一致的协议，因此定义了一致的评估协议并用于比较它们在五个广泛使用的表格式数据集上的性能。尽管评估不能确定一种方法在所有数据集上优于其他方法，但它识别出那些突出表现的方法并修正了关于它们相对性能的错误认识。

    Apr, 2022

  • VANETs 中的攻击 / 异常检测

    提出了一种针对车辆自组织网络中恶意行为的实时检测系统，通过集成统计学和机器学习技术，以简单高效的方式快速检测攻击并识别恶意车辆，同时运用联邦学习提高隐私性和恶意节点检测的效率，以降低误报率。

    Jan, 2024

  • 异常检测问题的元分析

    本文使用元分析研究异常检测问题和方法，提供了大量异常检测基准数据和实验结果，分析了实验设计、指标和算法策略的影响，为异常检测问题提供了本体、方法、实验规范和未来研究的指导。

    Mar, 2015