汽车网络入侵检测的变革：基于变分自编码器的知识蒸馏与可解释人工智能

Oct, 2024

汽车网络入侵检测的变革：基于变分自编码器的知识蒸馏与可解释人工智能

Transforming In-Vehicle Network Intrusion Detection: VAE-based Knowledge Distillation Meets Explainable AI

Muhammet Anil Yagiz, Pedram MohajerAnsari, Mert D. Pese, Polat Goktas

TL;DR本研究解决了自主车辆中车载网络安全的关键问题，提出了一种名为KD-XVAE的先进入侵检测系统，通过基于变分自编码器的知识蒸馏方法来提高性能和效率。研究表明，该系统在多种攻击类型下达到了完美的检测指标，具备优越性，且集成的可解释人工智能技术增强了模型决策的透明性，推动了汽车安全防护的发展。

Abstract

In the evolving landscape of Autonomous Vehicles, ensuring robust in-vehicle network (IVN) security is paramount. This paper introduces an advanced Intrusion Detection System (IDS) called KD-XVAE that uses a

发现论文，激发创造

基于卷积神经网络的汽车以太网AVTP流的入侵检测系统

本文提出了一种基于卷积神经网络的入侵检测方法，用于检测汽车以太网中的音视频传输协议流注入攻击，并构建了物理测试平台以评估该系统，实验结果表明该方法在进行实时检测时表现出出色的性能和效率。

Feb, 2021

基于深度迁移学习的电动汽车网络入侵检测系统

本文提出了一个基于深度迁移学习的IDS模型，通过有效属性选择、设计基于深度迁移学习的LeNet模型，以及对现实世界数据的评估，实现了对In-Vehicle Network系统中的入侵检测，并在实验中展示了相对于其他模型更好的性能和检测准确性。

Jul, 2021

一种基于转移学习和优化卷积神经网络的物联网车辆入侵检测系统

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

LCCDE:基于决策的集成框架用于智能汽车互联网入侵检测

为了保护互联汽车系统免受网络攻击的危害，提出了一种基于机器学习的新型集合入侵检测系统框架(LCCDE)，在车辆攻击和CICIDS2017数据集上的实验表明其检测多种类型的网络攻击的效果显著。

Aug, 2022

MA-VAE：基于多头注意力的变分自编码器方法用于汽车耐久性动力系统测试中的异常检测

提出了一种使用变分自编码器和多头注意力机制进行自动异常检测的方法，可以有效地识别和检测出大部分异常情况，同时还解决了绕过现象并引入了一种新的窗口重映射方法。

Sep, 2023

探索高度量化的神经网络用于汽车CAN的入侵检测

利用定制量化的多层感知器（CQMLP）作为多类分类建模，可以在控制器区域网络（CAN）消息的正常流量中检测多个攻击，具有非常高的准确性，并且适用于关键CAN网络中的ECU集成。

Jan, 2024

MKF-ADS：面向汽车的多知识融合异常检测系统

在本文中，我们提出了一种新颖的多知识融合异常检测模型MKF-IDS，该模型具备强大的预测和检测性能，通过空时关联和知识蒸馏等技术对智能交通系统中的安全问题进行解决。

Mar, 2024

TeVAE：一种用于变态多变量时间序列数据中离散在线异常检测的变分自编码器方法

在汽车测试领域，自动在线异常检测越来越受关注，通过对未标记数据进行训练的时序变分自动编码器（TeVAE）可以在最小化误报的情况下检测异常，并引入了一种将窗口映射到连续时间序列的新方法。该方法还提出了评估检测延迟和根本原因能力的度量指标，并在实际工业数据集上进行了实验验证。当正确配置时，TeVAE的错误警报率仅为6％，并且可以检测到65％的异常情况，它还具有在更小的训练和验证子集上表现良好的潜力，但需要更复杂的阈值估计方法。

Jul, 2024

基于人工智能的入侵检测系统在ROAD数据集上的比较分析：针对汽车控制局域网的研究

本研究旨在解决汽车控制局域网(CAN)协议在安全性方面的不足，特别是在缺乏加密和认证的情况下，攻击面不断扩大。通过使用最新的ROAD数据集，本文采用先进的深度学习模型和传统机器学习模型的比较，揭示了现有文献中常用数据集与ROAD数据集在性能上的差异，为提高入侵检测系统的有效性提供了重要见解。

Aug, 2024

基于AI的入侵检测系统（IDS）在ROAD数据集上的比较分析：针对汽车控制器局域网（CAN）

本研究解决了汽车控制器局域网（CAN）中缺乏公开、全面和现实数据集的问题，以测试入侵检测系统（IDS）的有效性。论文采用最新的ROAD数据集，同时实施先进的深度学习模型和传统机器学习模型，揭示了这些模型在常用数据集与ROAD数据集上的性能差异。研究的主要发现表明，使用ROAD数据集可以更好地评估IDS效果，提升汽车网络安全保障。

Aug, 2024