REACT: Autonomous Intrusion Response System for Intelligent Vehicles
针对智能网联汽车现有入侵响应依赖安全运营中心、耗时且扩展性不足的问题，提出车载动态入侵响应系统REACT，含响应列表、评估与选择方法，经嵌入式平台与两个攻击用例验证，具备响应快、占存小、可动态调参等优势。
2024-01-16 cs.CR
Enhancing Automotive Security with a Hybrid Approach towards Universal Intrusion Detection System
提出一种结合皮尔逊相关性与深度学习的通用入侵检测系统，适用于多种车型，无需定制，并能适应固件更新带来的数据变化，经测试优于传统方法。
2025-10-07 cs.CR
FAST-IDS: A Fast Two-Stage Intrusion Detection System with Hybrid Compression for Real-Time Threat Detection in Connected and Autonomous Vehicles
Department of Computer Science and Information Systems, BITS Pilani, Pilani Campus（计算机科学与信息系统系，比斯汉学院）
FAST-IDS是一种用于连接与自动驾驶车辆实时威胁检测的快速两阶段入侵检测系统，采用混合压缩技术提升实时检测性能。
2025-12-30 cs.AI cs.CR
Exploiting the Shape of CAN Data for In-Vehicle Intrusion Detection
现代车辆依赖于大量的电子控制单元（ECU）通过几个控制器局域网（CAN）广播消息。由于缺乏安全功能，车载CAN容易受到网络操纵，多项研究已证明存在可行的、威胁生命的网络攻击。使问题复杂化的是，CAN消息缺乏功能到命令的公共映射，因此数据包是可观察的，但不容易破译。我们提出了一种转换方法CAN IDS，利用CAN数据的几何特性，通知两个新的检测器-一个基于距离的学习，低维流形和其他不连续的流形随着时间的推移。通过在驾驶车辆上实施潜在的攻击方法来进行概念验证测试。初步结果表明：（1）第一个检测器需要额外的改进，但确实有希望;（2）第二个检测器提供了一个明确的，强大的攻击指标;（3）算法与高速CAN消息保持同步。由于我们的方法是数据驱动的，它提供了一个与车辆无关的IDS，无需对CAN消息进行逆向工程，并且可以移植到售后市场插件。
2018-08-28 cs.CR
An Explainable Ensemble-based Intrusion Detection System for Software-Defined Vehicle Ad-hoc Networks
本研究提出一种基于集成的入侵检测模型，结合 Random Forest、CatBoost 和 Logistic Regression 进行分层决策，并利用 SHAP 提供可解释性，在 VeReMi 数据集上提升了车辆自组织网络威胁检测的准确率并减少了误分类。
2024-10-11 cs.CR
CAN-LOC: Spoofing Detection and Physical Intrusion Localization on an In-Vehicle CAN Bus Based on Deep Features of Voltage Signals
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Politehnica University of Timisoara（蒂米什瓦拉理工大学）
控制器局域网（CAN）用于车载设备之间的通信。CAN总线已被证明容易受到远程攻击。为了增强车辆抵御此类攻击的能力，车辆制造商将车载网络划分为子网络，在逻辑上隔离关键设备。但是，攻击者仍然可以物理访问各种子网，在这些子网中他们可以连接恶意设备。这一威胁尚未得到充分解决，因为为确定实际入侵点而提出的方法效果不佳，因此需要开发更先进的技术。为了解决这种类型的威胁，我们提出了一个车载网络的安全加固系统。所提出的系统包括两个机制，处理从CAN总线上测量的电压信号中提取的深度特征。第一种机制使用数据增强和深度学习来检测和定位车辆启动时的物理入侵;这种机制可以检测和定位入侵，即使在连接的恶意设备静默时也是如此。这种机制的有效性（100%的准确性）证明了在各种各样的插入情况下的CAN总线原型。第二种机制是一种连续的设备认证机制，也是基于深度学习的;这种机制的鲁棒性（99.8%的准确率）在真实的移动车辆上得到了证明。
2021-06-15 cs.CR cs.LG
A Review of Performance, Energy and Privacy of Intrusion Detection Systems for IoT
物联网（IoT）是一项颠覆性技术，其应用范围涉及交通和物流系统、智能电网、灵巧家庭、联网车辆和智能城市等多个领域。随着这些基础设施的增长，对这些基础设施的攻击的数量和种类也在增加，突出了不同保护机制的重要性。入侵检测是杰出的保护机制之一，最近为物联网和物联网建立有效的入侵检测做出了显著的努力。然而，这种基础设施的独特特征，包括电池功率，带宽和处理器开销，以及网络动态可以影响入侵检测系统的操作。本文对物联网系统的现有入侵检测系统进行了全面研究，包括新兴系统，如车联网（IoV）。本文分析了现有的系统在三个方面：计算开销，能源消耗和隐私的影响。在对现有入侵检测方法进行严格分析的基础上，本文还确定了针对资源受限的物联网系统及其应用（如IoV）的入侵检测系统的有效和协作设计所面临的挑战。这些努力旨在突出物联网入侵检测的最新技术水平，以及需要在这些系统中实现有效入侵检测的具体努力的开放挑战。
2018-12-21 cs.CR
Detecting In-vehicle Intrusion via Semi-supervised Learning-based Convolutional Adversarial Autoencoders
随着自动驾驶汽车技术的发展，控制器局域网（CAN）总线因其简单性和高效性而成为车载通信系统的事实标准。然而，由于没有任何加密和认证机制，使用CAN协议的车载网络容易受到各种攻击。许多基于机器学习的研究提出在CAN总线系统中安装入侵检测系统（IDS）来进行异常检测。虽然机器学习方法对于IDS有很多优点，但是以前的模型通常需要大量的标记数据，这导致了很高的时间和人力成本。为了解决这个问题，本文提出了一种新的基于半监督学习的卷积对抗自动编码器模型。该模型结合了两种流行的深度学习模型：自动编码器和生成对抗网络。首先，使用未标记的数据训练模型，以学习正常和攻击模式的流形。然后，只有少量的标记样本用于监督训练。该模型可以检测各种类型的消息注入攻击，如拒绝服务，模糊和欺骗，以及未知的攻击。实验结果表明，与其他监督方法相比，该模型在有限的标记数据下，获得了最高的F1值（0.99）和最低的出错率（0.1%）.此外，我们表明，该模型可以满足实时性的要求，通过分析模型的复杂性方面的可训练参数和推理时间。与最先进的模型相比，这项研究成功地将模型参数的数量减少了五倍，推理时间减少了八倍。
2022-04-04 cs.CR
Intrusion Detection in Internet of Vehicles Using Machine Learning
Department of Computational, Engineering, and Mathematical Sciences（计算、工程和数学科学系）；Texas A&M University - San Antonio（德克萨斯A&M大学-圣安东尼奥）
本研究利用机器学习方法，基于CiCIoV2024数据集对车联网中的恶意CAN总线流量进行分类，以检测和识别针对关键车辆参数的攻击。
2025-12-16 cs.CR cs.LG
Tree-based Intelligent Intrusion Detection System in Internet of Vehicles
Western University（西部大学）；National Research Council (NRC)（国家研究委员会）
自动驾驶汽车（AV）的使用是智能交通系统（ITS）中一项很有前途的技术，可以提高安全性和驾驶效率。车联网（V2X）技术可实现车辆和其他基础设施之间的通信。然而，自动驾驶汽车和车联网（IoV）容易受到不同类型的网络攻击，如拒绝服务，欺骗和嗅探攻击。提出了一种基于树结构机器学习模型的智能入侵检测系统。建议的入侵检测系统的标准数据集上的实施的结果表明，该系统有能力识别各种网络攻击的AV网络。此外，所提出的集成学习和特征选择方法，使所提出的系统，以实现高检测率和低计算成本的同时。
2022-10-05 cs.CR cs.LG stat.ML
Towards Ultra-Low Latency: Binarized Neural Network Architectures for In-Vehicle Network Intrusion Detection
Faculty of Information Technology and Security（信息科技与安全学院）；ITMO University（ITMO大学）；Laboratory of Computer Security Problems（计算机安全问题实验室）；St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)（俄罗斯科学院圣彼得堡联邦科研中心（SPC RAS））
本文提出基于二值化神经网络的轻量级入侵检测方法，通过混合二进制编码技术提升车载网络安全性，适用于实时通信场景。
2025-11-02 cs.AI cs.CR
GCNIDS: Graph Convolutional Network-Based Intrusion Detection System for CAN Bus
本文提出GCNIDS，首次将图卷积网络应用于CAN总线入侵检测，在准确率、精确率和召回率上优于现有IDS，并能有效检测混合攻击，减少特征工程需求，适用于实时检测。
2023-09-24 cs.CR
Safeguarding the Future of Mobility: Cybersecurity Issues and Solutions for Infrastructure Associated with Electric Vehicle Charging
本文针对电动汽车充电站生态系统的网络安全问题，提出一种基于机器学习的入侵检测系统，旨在以低误报率和高准确率保护充电基础设施的安全。
2025-01-24 cs.CR
Enhancing Intrusion Detection In Internet Of Vehicles Through Federated Learning
VIT（维洛尔理工大学）；School of Electronics Engineering（电子工程学院）；School of Computer Science and Engineering（计算机科学与工程学院）
本文提出一种基于联邦学习的车联网入侵检测框架，结合 SMOTE、异常值检测和超参数调优，在不共享原始数据的前提下有效提升检测性能并保护敏感数据。
2023-11-23 cs.AI cs.CR cs.LG
LiPar: A Lightweight Parallel Learning Model for Practical In-Vehicle Network Intrusion Detection
School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院，哈尔滨工业大学）；Shandong Inspur Database Technology Co., Ltd（山东 Inspur 数据库技术有限公司）
针对车载网络入侵检测中深度学习模型过大、依赖云计算的问题，提出轻量级并行模型LiPar，通过自适应分配任务给车载计算设备，实现高效检测并保护CAN总线安全。
2024-12-21 cs.AI cs.CR
Improvement and Evaluation of Resilience of Adaptive Cruise Control Against Spoofing Attacks Using Intrusion Detection System
自适应巡航控制（ACC）系统自动调整车速，以保持车辆与前车之间的安全距离。控制器的加速或减速决定是使用车辆的目标速度和车辆到领头车辆的距离与到该车辆的安全距离之间的差来计算的。欺骗通过车辆的控制器局域网（CAN）传送的车辆速度会对ACC（比例-积分-微分变型）防止与领头车辆碰撞的能力产生负面影响。本文报告了扩展ACC与实时入侵检测系统（IDS）能够检测速度欺骗攻击与合理的响应时间和检测率，并模拟建议的扩展使用CARLA仿真平台。仿真的结果是：（1）欺骗车辆速度可以阻止ACC错误地加速，从而导致事故，以及（2）使用基于ML的IDS扩展ACC以在事故即将发生时触发制动器可以缓解该问题。研究结果表明，探索基于ML的IDS的能力，以支持弹性机制，减轻对车辆的网络攻击。
2023-02-02 cs.CR cs.SY eess.SY
LSF-IDM: Automotive Intrusion Detection Model with Lightweight Attribution and Semantic Fusion
针对车载网络中隐藏于上下文特征的攻击，本文提出LSF-IDM，利用BERT提取语义并通过知识蒸馏让BiLSTM学习融合特征，在低资源条件下提升检测效果。
2023-09-26 cs.CR
STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles
Shanghai Jiao Tong University（上海交通大学）；Jiangsu University（江苏大学）；Southern University of Science and Technology（南方科技大学）
入侵检测是汽车通信安全的重要防御措施。准确的帧检测模型帮助车辆避免恶意攻击。攻击方法的不确定性和多样性使这项任务具有挑战性。然而，现有的工作有局限性，只考虑局部特征或多个特征的弱特征映射。为了解决这些局限性，我们提出了一种新的汽车入侵检测模型的时空相关功能的车载通信流量（STC-IDS）。具体而言，所提出的模型利用编码检测架构。在编码器部分，空间和时间关系被同时编码。为了加强特征之间的关系，基于注意力的卷积网络仍然捕获空间和通道特征以增加感受野，而注意力-LSTM则从先前的时间序列或关键字节中构建有意义的关系。然后将编码的信息传递到检测器，用于生成强有力的时空注意力特征并实现异常分类。特别地，单帧和多帧模型被构造以分别呈现不同的优点。在基于贝叶斯优化的自动超参数选择下，模型被训练以获得最佳性能。基于真实车辆攻击数据集的大量实证研究表明，STC-IDS的性能优于基线方法，在保持效率的同时获得更少的误报率。
2022-08-10 cs.AI cs.CR
LCCDE: A Decision-Based Ensemble Framework for Intrusion Detection in The Internet of Vehicles
Western University（韦仕敦大学）；S2E Technologies（S2E科技公司）
现代车辆，包括自动驾驶车辆和联网车辆，通过与其他车辆、智能设备和基础设施的连接和通信，采用了越来越多的功能。然而，车联网（IoV）的连接性不断增长，也增加了网络攻击的脆弱性。为了保护IoV系统免受网络威胁，已经使用机器学习（ML）方法开发了可以识别恶意网络攻击的入侵检测系统（IDS）。为了准确检测车联网网络中的各种类型的攻击，我们提出了一种新的集成IDS框架命名为领导类和信心决策Entrance（LCCDE）。它是通过为每种攻击类别或类型确定三种高级ML算法（XGBoost，LightGBM和CatBoost）中性能最佳的ML模型来构建的。然后利用具有预测置信度值的类领导模型来做出关于检测各种类型的网络攻击的准确决策。在两个公共车联网安全数据集（Car-Hacking和CICIDS 2017数据集）上的实验证明了所提出的LCCDE对车内和外部网络入侵检测的有效性。
2022-09-01 cs.AI cs.CR cs.LG
Mitigating Vulnerabilities of Voltage-based Intrusion Detection Systems in Controller Area Networks
用于控制车辆的数据经由诸如控制器局域网（CAN）协议的车载网络协议在电子控制单元（ECU）之间交换。由于这些协议是为隔离网络设计的，因此这些协议既不加密数据，也不验证消息。入侵检测系统（IDS）的开发是为了保护CAN协议，通过检测物理属性的异常偏差。例如，基于电压的IDS（VIDS）利用每个ECU的电压特性来检测入侵。带有VIDS的ECU必须使用额外的导线连接到CAN总线，以测量CAN总线线路的电压。然而，如果带有VIDS的ECU受到损害，这些额外的导线可能会向CAN总线引入新的攻击面。我们研究了VIDS的新漏洞，并证明了对手可能会损坏ECU与VIDS，阻止消息传输，并迫使ECU发送消息。为了保护CAN总线免受这些攻击，我们提出了两个基于硬件的入侵响应系统（IRS），一旦检测到这些攻击，就会从CAN总线断开受损的ECU。我们开发了四个基于电压的攻击，利用漏洞的VIDS和评估的有效性，建议IRSs使用CAN总线测试床。
2019-07-25 cs.CR
Road Context-aware Intrusion Detection System for Autonomous Cars
Shandong University（山东大学）；Singapore University of Technology and Design（新加坡科技设计大学）
安全性对车辆来说至关重要。已经证明了对车载网络进行远程入侵的可行性。关于无人驾驶自动驾驶汽车，已经做了有限的工作来检测它们的入侵，而现有的入侵检测系统（IDS）包含针对强大对手的限制。在本文中，我们考虑到自动驾驶汽车的本质，并利用道路上下文建立一个新的入侵检测系统，命名为道路上下文感知入侵检测系统（RAIDS）。当一辆由计算机控制的汽车行驶在连续的道路上时，在汽车车载网络上传输的道路环境和真实帧应该类似于一个规则和可理解的模式。因此，RAIDS采用轻量级机器学习模型来从传感信息（例如，摄像机图像和距离传感器值），其用于生成用于操纵汽车的控制信号。在这种持续的道路环境下，RAIDS验证在车载网络上观察到的相应帧。显著偏离道路上下文的异常帧将被识别为入侵。我们已经实现了一个原型的RAID与神经网络，并进行了实验的树莓派广泛的数据集和有意义的入侵情况。评估表明，RAIDS显着优于国家的最先进的IDS，而不使用道路上下文高达99.9%的准确性和短的响应时间。
2019-08-02 cs.CR cs.CV
X-CANIDS: Signal-Aware Explainable Intrusion Detection System for Controller Area Network-Based In-Vehicle Network
X-CANIDS是一种针对CAN车载网络的新型可解释入侵检测系统，通过将负载解析为信号提高检测性能，无需标记数据即可检测零日攻击，并在汽车级嵌入式设备上验证了可行性。
2024-03-14 cs.CR eess.SP
A Robust Multi-Stage Intrusion Detection System for In-Vehicle Network Security using Hierarchical Federated Learning
针对CAN总线车载网络易受攻击的问题，提出结合ANN与LSTM自编码器的多阶段轻量入侵检测系统，基于分层联邦学习部署，在已知和新型攻击检测上均取得优异性能且误报率极低。
2024-08-15 cs.CR
Homomorphic Encryption-Enabled Federated Learning for Privacy-Preserving Intrusion Detection in Resource-Constrained IoV Networks
本文提出一种基于同态加密的联邦学习框架，通过允许服务器直接在量子安全密文上计算，解决了资源受限车联网中入侵检测系统面临的数据卸载隐私与计算瓶颈，性能逼近无加密方案。
2024-07-26 cs.CR
A Survey of Learning-Based Intrusion Detection Systems for In-Vehicle Network
School of Computer Science & Informatics（计算机科学与信息学学院）；Cardiff University（卡迪夫大学）
该综述梳理了基于机器学习、深度学习、联邦学习的车载网联自动驾驶汽车入侵检测系统研究，按攻击类型分类并分析局限性与评估指标，为后续安全防护研究提供方向。
2025-05-15 cs.CR cs.LG
A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles
Western University（韦仕敦大学）
现代车辆，包括自动驾驶车辆和联网车辆，与外部世界的连接越来越多，从而实现了各种功能和服务。然而，不断改善的连接性也增加了车联网（IoV）的攻击面，导致其易受网络威胁。由于车辆网络缺乏认证和加密过程，入侵检测系统（IDS）是保护现代车辆系统免受网络攻击的重要方法。针对车联网系统，提出了一种基于迁移学习和集成学习的入侵检测系统，该系统采用卷积神经网络（CNN）和超参数优化技术。在实验中，所提出的IDS在两个著名的公共基准车联网安全数据集（Car-Hacking数据集和CICIDS 2017数据集）上表现出超过99.25%的检测率和F1分数。这表明了所提出的IDS在车内和车外网络中的网络攻击检测的有效性。
2022-01-27 cs.AI cs.CR cs.CV
MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet of Vehicles
Western University（韦仕敦大学）
现代车辆，包括联网车辆和自动驾驶车辆，现在涉及通过车内网络连接的许多电子控制单元，以实现各种功能并执行动作。现代车辆还通过车联网技术连接到外部网络，使其能够与其他车辆，基础设施和智能设备进行通信。然而，现代车辆的功能和连接性的改善也增加了它们对针对车内和外部网络的网络攻击的脆弱性，因为攻击面很大。为了保护车辆网络，许多研究人员都集中在开发入侵检测系统（IDS），利用机器学习方法来检测恶意的网络攻击。在本文中，车内和外部网络的脆弱性进行了讨论，并提出了一个多层的混合IDS，结合基于特征的IDS和基于异常的IDS检测已知和未知的攻击车辆网络。实验结果表明，该系统可以检测各种类型的已知攻击，在代表车内网络数据的CAN入侵数据集上的准确率为99.99%，在说明外部车辆网络数据的CICIDS2017数据集上的准确率为99.88%。对于零日攻击检测，所提出的系统在上述两个数据集上分别实现了0.963和0.800的高F1分数。每个数据包在车辆级机器上的平均处理时间小于0.6 ms，这表明该系统在实时车辆系统中实现的可行性。这强调了所提出的入侵检测系统的有效性和效率。
2021-05-26 cs.AI cs.CR cs.LG
can-train-and-test: A Curated CAN Dataset for Automotive Intrusion Detection
本文提出 can-train-and-test 数据集，汇集两家制造商四款车型的等价攻击 CAN 数据，提供九种攻击及多种文件格式，以降低汽车入侵检测研究的进入门槛并支持跨车型泛化评估。
2023-08-09 cs.CR
INDRA: Intrusion Detection using Recurrent Autoencoders in Automotive Embedded Systems
今天的车辆是复杂的分布式嵌入式系统，越来越多地连接到各种外部系统。不幸的是，这种增强的连接性使车辆容易受到可能是灾难性的安全攻击。在这项工作中，我们提出了一种新的入侵检测系统（IDS），称为INDUSTRY，利用门控递归单元（GRU）为基础的经常性自动编码器检测异常控制器局域网（CAN）总线为基础的汽车嵌入式系统。我们评估我们提出的框架在不同的攻击场景下，也比较它与最知名的在这方面的工作。
2020-07-17 cs.CR eess.SP
CANEDERLI: On The Impact of Adversarial Training and Transferability on CAN Intrusion Detection Systems
本文提出CANEDERLI框架，在现实威胁模型下评估CAN入侵检测系统的对抗攻击可迁移性，并通过自适应在线对抗训练将F1提升至0.941。
2024-04-06 cs.CR
Statistical Detection of Adversarial examples in Blockchain-based Federated Forest In-vehicle Network Intrusion Detection Systems
Chonnam National University（全南国立大学）；Delft University of Technology（代尔夫特理工大学）；Ahmadu Bello University（艾哈迈德·贝罗大学）
车联网（IoV）可以促进联网车辆（CV）、自动驾驶车辆（AV）和其他车联网实体之间的无缝连接。用于车联网网络的入侵检测系统（IDS）可以依靠机器学习（ML）来保护车载网络免受网络攻击。基于区块链的联邦森林（BFF）可用于基于来自IoV实体的数据训练ML模型，同时保护数据的机密性并降低篡改数据的风险。然而，以这种方式创建的ML模型仍然容易受到使用对抗性示例的规避、中毒和探索性攻击。本文研究了各种可能的对抗性示例对BFF-IDS的影响。我们提出了一个统计检测器来检测和提取未知的对抗样本。通过将未知的检测样本包含到检测器的数据集中，我们用一个额外的模型来增强BFF-IDS，以检测原始的已知攻击和新的对抗性输入。统计对抗检测器在50和100个输入样本的样本大小下自信地检测到对抗示例。此外，增强的BFF-IDS（BFF-IDS（AUG））成功地缓解了对抗性示例，准确率超过96%。通过这种方法，每当检测到对抗性样本时，模型将继续在沙箱中进行扩展，随后采用BFF-IDS（AUG）作为主动安全模型。因此，所提出的统计对抗检测器的集成和随后的BFF-IDS与检测到的对抗样本的增强提供了一个可持续的安全框架对抗对抗的例子和其他未知的攻击。
2022-07-11 cs.AI cs.CR
CANGuard: A Spatio-Temporal CNN-GRU-Attention Hybrid Architecture for Intrusion Detection in In-Vehicle CAN Networks
Begum Rokeya University, Rangpur（贝古姆·罗基亚大学，朗布尔）；Wilmington University（威尔明顿大学）；Trine University（特莱恩大学）
本文提出CANGuard架构，结合CNN、GRU和注意力机制，通过CICIoV2024数据集验证，实现了在准确率、精确率、召回率和F1分数上的竞争力，并通过消融研究和SHAP分析验证了模型有效性。
2026-03-26 cs.AI cs.CR
STATGRAPH: Effective In-vehicle Intrusion Detection via Multi-view Statistical Graph Learning
School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院，哈尔滨工业大学）；School of Electronic and Information Engineering, Beijing Jiaotong University（电子与信息工程学院，北京交通大学）
STATGRAPH通过多视图统计图学习实现车载网络入侵检测，提升检测精度与细粒度识别能力。
2025-03-25 cs.AI cs.CR cs.NI
FedLiTeCAN : A Federated Lightweight Transformer for Fast and Robust CAN Bus Intrusion Detection
Department of Computer Science and Information Systems, BITS Pilani, Pilani Campus（计算机科学与信息系统系，比特学院）
FedLiTeCAN提出了一种轻量级联邦Transformer模型，用于提升CAN总线入侵检测的效率和鲁棒性，适用于边缘计算场景。
2025-12-30 cs.AI cs.CR
Unsupervised Intrusion Detection System for Unmanned Aerial Vehicle with Less Labeling Effort
Korea University（高丽大学）
随着安全的重要性，入侵检测系统已成为现实世界中的一项重要任务。先前的研究提出了各种入侵检测模型的无人机。过去基于规则的方法提供了一个具体的基线入侵检测模型，而基于机器学习的方法通过监督学习模型实现了对无人机的精确入侵检测。然而，以前的方法有改进的空间，可以在现实世界中实现。以前的方法需要在数据集上进行大量的标记工作，并且模型无法识别之前没有训练过的攻击。为了跨越这些障碍，我们提出了一个具有无监督学习的入侵检测系统。由于无监督学习不需要标记，我们的模型让从业者不标记来自飞行数据的每种类型的攻击。此外，无论攻击类型如何，该模型都可以识别UAV的异常状态。我们只使用良性飞行数据训练了一个自动编码器，并检查了模型在良性飞行和受到攻击的飞行时提供了不同的重建损失。我们发现，该模型产生更高的重建损失与攻击下的飞行比良性飞行，因此，这种重建损失可以用来识别入侵的无人机。综合考虑计算开销和野外环境下的检测性能，我们希望该模型能够成为一个具体实用的无人机入侵检测系统的基线。
2020-11-01 cs.CR cs.LG
Cybersecurity of Electric Vehicle Charging Infrastructure: Recent Advances, Open Challenges, and Future Directions
Mississippi State University（密西西比州立大学）
本文综述了电动汽车充电基础设施的网络安全问题，分析了常用数据集和建模方法的局限性，并提出了未来研究方向以推动入侵检测系统的发展。
2026-05-22 cs.CR
Benchmarking Frameworks and Comparative Studies of Controller Area Network (CAN) Intrusion Detection Systems: A Review
本文综述了车载CAN总线入侵检测系统的基准测试框架与比较研究，提出了包含IDS类型、攻击模型等五个方面的评估设计空间，为设计评估实验和选择最佳IDS提供指导。
2024-02-10 cs.CR
Unsupervised Network Intrusion Detection System for AVTP in Automotive Ethernet Networks
Télécom Paris, IP Paris（巴黎电信学院，巴黎理工学院）
网络入侵检测系统（NIDS）被广泛认为是保护车载网络免受各种网络攻击的有效工具。然而，由于网络攻击总是在不断发展，基于特征的入侵检测系统不再被采用。另一种解决方案可以是部署基于深度学习的入侵检测系统，该系统在检测网络流量中的未知攻击模式方面发挥重要作用。因此，在本文中，我们比较了不同的无监督深度和基于机器学习的异常检测算法的性能，用于实时检测音频视频传输协议（AVTP）上的异常，AVTP是最近基于汽车以太网的车载网络中实现的应用层协议。在最近发布的“汽车以太网入侵数据集”上进行的数值结果表明，在不同的实验设置下，深度学习模型在机器学习中的表现明显优于其他最先进的传统异常检测模型。
2022-04-25 cs.CR cs.LG cs.NI
Transforming In-Vehicle Network Intrusion Detection: VAE-based Knowledge Distillation Meets Explainable AI
Kırıkkale University（克勒克卡莱大学）；Clemson University（克莱姆森大学）；University College Dublin（都柏林大学学院）
本文提出基于VAE知识蒸馏的车载网络入侵检测系统KD-XVAE，仅用1669个参数实现0.3毫秒推理，在多数据集上达100%检测率，并集成SHAP可解释AI技术提升透明度。
2024-10-15 cs.AI cs.CR
A Contrastive Federated Semi-Supervised Learning Intrusion Detection Framework for Internet of Robotic Things
针对IoRT本地无标注数据与隐私保护需求，提出融合强弱增强、潜在对比学习和EMA更新的CFedSSL-NID框架，在基准数据集上以更低资源超越现有方法。
2025-05-10 cs.CR
Extending Adaptive Cruise Control with Machine Learning Intrusion Detection Systems
本文提出基于入侵检测系统的自适应巡航控制系统，通过引入IDS输出来增强ACC对注入攻击的防御能力，从而提升碰撞避免性能。
2026-03-01 cs.CR cs.SY eess.SY
Digital Twin-Based Intrusion Detection for Vehicle Powertrain CAN Bus Systems
Clemson University（克莱姆森大学）
该研究开发了基于共享编码器LSTM数字孪生的入侵检测系统，可检测保留正常CAN通信模式的隐秘有效载荷攻击，检测率优于基线模型，但假阳性率较高。
2026-08-19 cs.CR cs.LG
A Scalable Hierarchical Intrusion Detection System for Internet of Vehicles
School of Information Technology, Crown Institute of Higher Education（信息技术学院，皇冠高等教育学院）
针对车联网集中式入侵检测延迟高、边缘节点资源受限的问题，提出一种分层分类框架，结合Boruta特征选择，在CIC-IoV2024数据集上验证了其可行性和有效性。
2025-05-22 cs.CR cs.LG
A Real-Time Remote IDS Testbed for Connected Vehicles
联网汽车正变得越来越普遍。车辆与中央服务器之间的持续连接可实现新功能和服务。这种增加的连接性增加了暴露给攻击者的可能性，并存在未经授权访问的风险。一个可能的对策，这个问题是入侵检测系统（IDS），其目的是检测这些入侵期间或发生后。IDS的问题在于，可能的方法种类繁多，没有合理的选择来比较它们。我们对这个问题的贡献包括汽车现实世界场景的测试平台的概念化和实现。这相当于一个服务器端IDS远程检测对车辆的入侵。为了验证我们方法的有效性，我们从多个角度评估了测试平台，包括其适用性和生成的数据质量。我们的评估表明，该测试床使各种IDS的有效评估成为可能。它解决了现有方法的多个问题，包括类不平衡。此外，它还可以实现再现性，并生成不同检测难度的数据。这允许对实时的【形】远程IDS进行全面评估。
2019-01-16 cs.CR cs.SE
CAN-BERT do it? Controller Area Network Intrusion Detection System based on BERT Language Model
Télécom Paris（巴黎电信学院）；IP Paris（巴黎理工学院）
随着客户功能的不断增加，电子控制单元（ECU）越来越多地集成到现代汽车系统中。然而，车内和外部网络之间的高度连通性为黑客利用车内网络协议的漏洞铺平了道路。在这些协议中，被称为最广泛使用的车载网络技术的控制器局域网（CAN）缺乏加密和认证机制，使得分布式ECU提供的通信不安全。受Transformers器双向编码器表示（BERT）在改善许多自然语言处理任务方面的出色性能的启发，本文提出了"CAN-BERT”，一个基于深度学习的网络入侵检测系统，用于检测对CAN总线协议的网络攻击。我们表明，BERT模型可以学习序列的仲裁标识符（ID）在CAN总线的异常检测使用"屏蔽语言模型“无监督的训练目标。在“Car Hacking：Attack \& Defense Challenge 2020”数据集上的实验结果表明，“CAN-BERT”的性能优于最先进的方法。除了能够在0.8 ms至3 ms的CAN ID序列长度内实时识别车载入侵外，它还可以检测各种网络攻击，F1得分在0.81至0.99之间。
2022-10-17 cs.CR cs.LG cs.NI
Supervised Contrastive ResNet and Transfer Learning for the In-vehicle Intrusion Detection System
Soonchunhyang University（顺天乡大学）
高端车辆已配备多个电子控制单元（ECU），其提供升级功能以增强驾驶体验。控制器局域网（CAN）是连接这些ECU的众所周知的协议，因为它的适度和效率。然而，CAN总线容易受到各种类型的攻击。虽然入侵检测系统（IDS）是为了解决CAN总线的安全问题而提出的，但大多数以前的研究只在攻击发生时提供警报，而不知道具体的攻击类型。此外，由于不同的汽车制造商，IDS是为特定的汽车模型设计的。在这项研究中，我们提出了一种新的深度学习模型，称为监督对比（SupCon）ResNet，它可以处理CAN总线上的多种攻击识别。此外，该模型可以用于使用迁移学习技术来提高有限大小数据集的性能。在两个真实的汽车数据集上评估了该模型的性能。当使用汽车黑客数据集进行测试时，实验结果表明，与其他模型相比，SupCon ResNet模型将四种类型攻击的总体假阴性率平均提高了四倍。此外，通过利用迁移学习，该模型在生存数据集上获得了最高的F1得分0.9994。最后，该模型可以适应硬件的内存大小和运行时间的限制。
2022-07-18 cs.AI cs.CR cs.LG
Intrusion Resilience Systems for Modern Vehicles
本文提出车辆入侵弹性系统（IRS），通过在多 ECU 上复制状态机并达成拜占庭协议，在零日攻击或故障下保障关键应用弹性，实验证明其在现代车载网络中延迟与吞吐量可行。
2023-07-09 cs.CR cs.DC cs.NI
Deep Learning-Based Intrusion Detection for Automotive Ethernet: Evaluating & Optimizing Fast Inference Techniques for Deployment on Low-Cost Platform
Centro de Informática (CIn)（计算机中心）；Grupo de Pesquisa em Redes e Telecomunicações (GPRT)（网络与电信研究组）；Universidade Federal de Pernambuco (UFPE)（佩纳布卢克联邦大学）
本文针对汽车以太网流量注入攻击，提出用蒸馏与剪枝技术优化深度学习IDS模型，在Raspberry Pi 4上实现727微秒实时检测，AUCROC达0.9890。
2025-07-01 cs.CR cs.LG
SOME/IP Intrusion Detection using Deep Learning-based Sequential Models in Automotive Ethernet Networks
LTCI Telecom Paris, IP Paris（巴黎电信学院LTCI（LTCI Telecom Paris, IP Paris））
入侵检测系统被广泛用于检测网络攻击，特别是对易受黑客攻击的协议，如SOME/IP。针对SOME/IP应用层协议，提出了一种基于深度学习的离线入侵检测时序模型。为了评估我们的入侵检测系统，我们生成了一个数据集，并标记了几个类代表现实的入侵，和一个正常的类-一个显着的贡献，由于没有这样的公开可用的数据集。此外，我们还提出了一个递归神经网络（RNN），作为基于深度学习的序列模型的一个实例，我们将其应用于我们生成的数据集。数值结果表明，RNN在预测车内入侵方面表现出色，F1得分和AUC值大于0.8，具体取决于每种入侵类型。
2021-10-10 cs.CR cs.LG
Shape of the Cloak: Formal Analysis of Clock Skew-Based Intrusion Detection System in Controller Area Networks
本文提出了一种新的伪装攻击称为伪装攻击，并提供了正式的分析基于时钟偏差的入侵检测系统（IDS），检测伪装攻击的控制器局域网（CAN）在汽车。在伪装攻击中，攻击者通过增加延迟来操纵欺骗消息的消息间传输时间，以便模拟期望的时钟偏差并避免检测。为了预测和表征伪装攻击对给定CAN总线和IDS的攻击成功概率的影响，我们为两个基于时钟偏差的IDS开发了正式模型，即，最先进的（SOTA）IDS及其对广泛使用的网络时间协议（NTP）的适应，使用攻击者、检测器和硬件平台的参数。据我们所知，这是第一篇提供汽车CAN中基于时钟偏差的IDS的正式分析的论文。我们实现了两个硬件测试平台，原型和一个真正的车辆（华盛顿大学（UW）EcoCAR）的伪装攻击，并证明其有效性对SOTA和基于NTP的IDS。我们验证我们的正式分析，通过广泛的实验，不同的消息，IDS设置，和车辆。通过比较每个预测的攻击成功概率曲线与其实验曲线，我们发现，SOTA IDS和基于NTP的IDS的平均预测误差分别在3.0%和5.7%。
2019-01-24 cs.CR
Probability Risk Identification Based Intrusion Detection System for SCADA Systems
.由于监控和数据采集（SCADA）系统控制着多个关键基础设施，因此它们已连接到互联网。因此，SCADA系统面临不同类型的复杂网络对手。本文提出了一种基于概率风险识别的入侵检测系统（PRI-IDS）技术，该技术基于对Modbus TCP/IP网络流量的分析来识别重放攻击。众所周知，Modbus TCP由于其未经身份验证和未加密的性质，通常容易受到攻击。我们的技术是使用模拟环境进行评估，通过配置一个测试床，这是一个自定义的SCADA网络，是廉价的，准确的和可扩展的。在测试IDS时，通过发送来自与Modbus主设备和从设备位于同一LAN上的攻击者的单个数据包来利用测试床。实验结果表明，该方法能够有效地识别重放攻击。
2017-11-08 cs.CR
Distributed Intrusion Detection in Dynamic Networks of UAVs using Few-Shot Federated Learning
本研究提出FSFL-IDS，融合联邦学习与少样本学习，解决无人机动态网络入侵检测中的隐私、功耗、通信成本及有损链路问题，并有效识别路由攻击。
2025-01-22 cs.CR
SoK: Federated Learning for Intrusion Detection in Vehicular Networks
École de technologie supérieure (ÉTS)（高等技术学院）；University of Calgary（卡尔加里大学）
针对现代车载网络攻击面扩大问题，本文通过知识梳理统一车载攻击面分类法、评估FL拓扑并映射对抗威胁，审核60多篇文献识别常见陷阱，进而定义前瞻性研究议程及最低基准要求，推动车载FL-IDS走向实际安全部署。
2026-07-14 cs.CR
Privacy-Preserving Intrusion Detection in Software-defined VANET using Federated Learning with BERT
本文提出FL-BERT方法，将联邦学习与BERT序列分类结合用于软件定义VANET的隐私保护入侵检测，实验表明其在隐私安全和攻击检测方面优于现有工作。
2024-01-17 cs.CR
