Exception Agent Detection System for IP Spoofing Over Online Environments
近年来，由于当前在不同在线环境中操纵系统性能的变化，IP和电子邮件欺骗对于安全问题变得非常重要。入侵检测系统（IDS）已被用来保护这些环境中共享他们的数据通过网络和基于主机的IDS方法。然而，互联网和局域网上的入侵事件的快速增长成为负责不同的威胁和漏洞的计算系统中的分布。目前入侵检测系统所采用的特征检测方法，是基于对时间、文本、口令等行为模式的分析和描述来检测不明确的行为，在信息更新、检测未知的新型攻击、维护入侵检测系统等方面面临困难，而入侵检测系统的维护又需要对安全漏洞进行分析和修补，而且缺乏用户权限和攻击特征结构等信息。因此，本文提出了一个EADS（异常代理检测系统），以确保通过IP承载的头信息在线环境。本研究主要针对网路环境下数据共享中的未知威胁攻击进行侦测与消除。
2009-11-03 cs.CR
Real-Time Zero-Day Intrusion Detection System for Automotive Controller Area Network on FPGAs
Trinity College Dublin（都柏林圣三一大学）
针对汽车CAN总线未知攻击实时检测难题，提出仅用良性数据训练的无监督卷积自编码器，并在Zynq Ultrascale上量化部署，实现99.5%以上准确率与0.43 ms线速检测。
2024-01-19 cs.CR cs.LG cs.SY
GPS-IDS: An Anomaly-based GPS Spoofing Attack Detection Framework for Autonomous Vehicles
University of Arizona（亚利桑那大学）
提出GPS-IDS框架，基于物理行为模型与机器学习检测自动驾驶车辆GPS欺骗攻击，并在首个公开的AV-GPS数据集上验证有效性。
2024-12-17 cs.CR cs.RO
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
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
AnoMili: Spoofing Prevention and Explainable Anomaly Detection for the 1553 Military Avionic Bus
MIL-STD-1553是一种定义互连设备通信总线的标准，广泛应用于军事和航空航天航空电子平台。由于缺乏安全机制，MIL-STD-1553面临着网络威胁。以前提出的解决这些威胁的方法非常有限，因此需要更先进的技术。受深度防御原理的启发，我们提出了一种新颖的MIL-STD-1553总线保护系统AnoMili，它包括：（i）一个物理入侵检测机制，可以检测连接到1553总线的未授权设备，即使它们是被动的（嗅探），（ii）防止欺骗攻击的设备指纹识别机制（提出了两种方法：预防和检测），（iii）基于上下文的异常检测机制，以及（iv）负责实时的解释检测到的异常的异常解释引擎。我们评估AnoMili的有效性和实用性，在两个真正的1553基于硬件的测试平台。异常解释引擎的有效性也被证明。所采用的检测和预防机制具有较高的检出率（超过99.45%）和较低的假阳性率。基于上下文的异常检测机制在先前工作中使用的数据集上进行评估时获得了完美的结果。
2022-02-14 cs.CR
LGTBIDS: Layer-wise Graph Theory Based Intrusion Detection System in Beyond 5G
无线通信技术的进步正变得越来越苛刻和普遍。限制网络效率的基本参数之一是安全挑战。通信网络容易受到诸如欺骗攻击和信号强度攻击的安全攻击。入侵检测是保证通信网络安全的重要手段。本文提出了一种基于图论框架的入侵检测系统。设计了一种基于分层图理论的入侵检测系统（LGTBIDS）算法来检测被攻击节点。该算法执行逐层分析以提取脆弱节点并最终提取受攻击节点。对于每一层，扫描每个节点以确定易受影响节点的可能性。入侵检测系统的策略是基于能量效率和保密率的分析。能量效率和保密率超出上下限阈值范围的节点被检测为受攻击节点。此外，检测到的节点用随机比特序列发送，然后进行重新认证过程。实验结果表明，该算法具有较好的性能、较低的计算时间和较低的复杂度.最后，将该方法与传统的入侵检测方法进行了比较。
2022-10-06 cs.CR cs.LG
Graph-Based Intrusion Detection System for Controller Area Networks
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；University of Michigan（密歇根大学）
控制器局域网（CAN）是汽车工业中使用最广泛的车内通信网络。由于其设计简单，它缺乏安全性证明的通信协议所需的大部分要求。然而，安全可靠的环境对于自动驾驶和联网车辆至关重要。因此，CAN总线的安全性被认为是汽车研究界的重要课题之一。在本文中，我们提出了一个四阶段的入侵检测系统，使用卡方方法，可以检测到任何类型的强和弱的网络攻击的CAN。这项工作是有史以来第一个基于图的防御系统提出的CAN。我们的实验结果表明，我们有一个非常低的5.26%的错误分类拒绝服务（DoS）攻击，10%的错误分类模糊攻击，4.76%的错误分类重放攻击，没有错误分类欺骗攻击。此外，与现有的基于ID序列的方法相比，所提出的方法具有高达13.73%的准确性。
2020-09-29 cs.AI cs.CR
Visually Analyze SHAP Plots to Diagnose Misclassifications in ML-based Intrusion Detection
Tennessee Tech（田纳西理工大学）；Syracuse University（雪城大学）；Tennessee State University（田纳西州立大学）
本文提出一种基于可解释人工智能的可视化分析方法，利用重叠SHAP图识别入侵检测系统中的假阳性和假阴性，为安全分析师提供决策指导。
2024-11-04 cs.CR cs.LG
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
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
A Comparative Analysis of Ensemble-Based Machine Learning Approaches with Explainable AI for Multi-Class Intrusion Detection in Drone Networks
State University of Bangladesh（孟加拉国州立大学）；Skill Morph Research Lab., Skill Morph（Skill Morph研究实验室）
本文提出基于集成机器学习和可解释AI的无人机网络入侵检测方法，通过比较随机森林等模型，实现高准确率和可解释性，适用于实时安全关键应用。
2025-09-23 cs.CR cs.LG
GGNB: Graph-Based Gaussian Naive Bayes Intrusion Detection System for CAN Bus
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Tennessee State University（田纳西州立大学）；General Motors Corporation（通用汽车公司）
美国国家公路交通安全管理局（NHTSA）认为，汽车系统的网络安全比其他信息系统的安全更为重要。研究人员已经展示了使用控制器局域网（CAN）对关键车辆电子控制单元（ECU）的远程攻击。此外，现有的入侵检测系统（IDS）通常提出解决特定类型的攻击，这可能会使系统容易受到许多其他类型的攻击。一个可以在最短时间内识别各种攻击的通用IDS比针对特定攻击的IDS更有实用价值，这不是一个简单的任务。本文提出了一种新的基于{\textbf g}图的{\textbf G} ause { \textbf n}aive { \textbf B}ayes（GGNB）入侵检测算法，该算法充分利用了图的特性和PageRank相关的特征.在真实的原始CAN数据集\cite{Lee:2017}上，GGNB对拒绝服务（DoS）、模糊攻击、欺骗攻击、重放攻击和混合攻击的检测准确率分别为99.61%、99.83%、96.79%和96.20%。在OpelAstra数据集\cite{Guillaume:2019}上，该方法对拒绝服务攻击、诊断攻击、模糊CAN ID攻击、模糊负载攻击、重放攻击、挂起攻击和混合攻击的检测准确率分别为100%、99.85%、99.92%、100%、99.92%、97.75%和99.57%.与相同应用中使用的SVM分类器相比，基于GGNB的方法分别需要约$239\times$和$135\times…
2021-08-24 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
Exploring Highly Quantised Neural Networks for Intrusion Detection in Automotive CAN
Trinity College Dublin（都柏林圣三一大学）
本文提出2位自定义量化MLP（CQMLP）用于汽车CAN多攻击入侵检测，并通过FINN在XCZU7EV上实现低延迟、低能耗的数据流硬件部署。
2024-01-19 cs.AR cs.CR cs.LG
Secure UAV Swarms in Low-Altitude Wireless Networks: Challenges and Solutions
School of Cyber Science and Engineering, Xi’an Jiaotong University（西安交通大学网络空间安全学院）
针对无人机群在低空无线网络中面临的安全威胁，提出云边端协同防御框架，包含抗GPS欺骗、内部威胁缓解和多跳攻击溯源三种机制。
2026-05-26 cs.CR
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
Rejecting the Attack: Source Authentication for Wi-Fi Management Frames using CSI Information
与保护良好的数据帧相比，Wi-Fi管理帧（MF）极易受到各种攻击。由于MF是在没有加密的情况下传输的，攻击者可以很容易地伪造它们。这种攻击可以在协作环境中检测到，如无线入侵检测系统（WIDS）。然而，在非合作的环境中，它是很难为一个单一的站，以确定这些欺骗攻击使用接收信号强度（RSS）为基础的检测，由于强相关性的RSS的发送功率（Txpower）和发送方的位置。通过利用一些独特的特性（即，快速的空间去相关、Txpower的独立性以及更丰富的维度）的信道状态信息（CSI）（802.11n规范中的标准特征），我们设计了一个原型，称为CSITE，以在没有外部支持的情况下由单个站认证Wi-Fi管理帧。我们的设计CSITE，建立在现成的硬件，实现精确的欺骗检测，而无需协作和预先指纹。几种新的技术被设计来解决由用户移动性和信道动态引起的挑战。为了验证我们的解决方案的性能，我们实现了我们的设计原型，并在各种情况下进行了广泛的评估。我们的测试结果表明，我们的设计显着优于基于RSS的方法在准确性，鲁棒性和效率：我们观察到约8倍的改进CSITE基于RSS的方法上错误接受的攻击帧。
2013-05-22 cs.CR cs.NI
Deep Defence on Wheels: A Dual Intrusion Detection System Architecture for Comprehensive In-Vehicle Network Security
Trinity College Dublin（都柏林圣三一学院）
针对车载网络的安全需求，提出双IDS架构，结合量化LSTM和量化自编码器，在FPGA上实现高精度、低延迟的已知与未知攻击检测。
2026-10-07 cs.AR cs.CR cs.LG
Exploiting Physical Dynamics to Detect Actuator and Sensor Attacks in Mobile Robots
Pennsylvania State University（宾夕法尼亚州立大学）
移动机器人是网络空间和物理世界紧密耦合的网络物理系统。对移动机器人的攻击可以超越网络防御，并在物理世界中升级为灾难性后果。在本文中，我们专注于主动攻击，能够直接影响机器人任务操作的检测。通过利用移动机器人的物理动力学，我们开发的RIDS，一种新的机器人入侵检测系统，可以检测致动器攻击以及传感器攻击的非线性移动机器人随机噪声。我们实现和评估的RIDS Khepera移动机器人对具体的攻击情况下，通过各种攻击渠道，包括信号干扰，传感器欺骗，逻辑炸弹，物理损坏。对20个实验结果的评价表明，假阳性率和假阴性率的平均值均小于1%。每次攻击的平均检测延迟保持在0.40秒以内。
2017-08-06 cs.CR cs.RO
Improving Privacy and Security in Unmanned Aerial Vehicles Network using Blockchain
无人机（UAV），也被称为无人机，已经在当今商业行业的各个领域爆炸式增长。他们有机会改造旧业务，甚至为各种品牌和特许经营商开发新的机会。无人机用于供应链，维持监视并充当移动热点。虽然无人机具有潜在的应用，但它们带来了一些社会问题和挑战，需要在公共安全，隐私和网络安全方面加以解决。无人机容易受到各种网络攻击和漏洞;它们还可能被恶意实体黑客攻击和滥用，导致网络犯罪。对手可以利用这些漏洞，导致数据丢失，财产和生命的破坏。通过监测无人机的行为，可以部分检测到虚假信息传播、干扰、灰洞、黑洞和GPS欺骗等攻击，但可能无法解决隐私问题。本文介绍了使用区块链技术的无人机之间的安全通信。我们的方法包括构建智能合约，并建立一个安全可靠的无人机自组织网络。该网络将能抵御各种网络攻击，并能抵御恶意入侵。
2022-06-27 cs.CR cs.DC
RoboMal: Malware Detection for Robot Network Systems
Purdue University（普渡大学）
机器人系统越来越多地融入现代生活的众多途径。从打扫房屋到提供指导和情感支持，机器人现在直接与人类合作。由于其广泛的应用和日益复杂的架构，它们正成为传感器-执行器攻击、数据欺骗、恶意软件和网络入侵等对抗攻击的目标。因此，机器人系统的安全性变得至关重要。在本文中，我们解决了机器人软件中恶意软件检测的不足之处。由于机器人与人类非常接近，经常进行直接互动，因此恶意软件可能会产生危及生命的影响。因此，我们提出了RoboMal框架的静态恶意软件检测二进制可执行文件检测恶意软件之前，它得到一个机会执行。此外，我们通过提供RoboMal数据集来解决这个空间中数据的严重缺乏，该数据集包括小型自动驾驶汽车的控制器可执行文件。该框架的性能与广泛使用的监督学习模型：GRU，CNN，和ANN进行了比较。值得注意的是，基于LSTM的RoboMal模型优于其他模型，在10倍交叉验证中的准确率为85%，精度为87%，从而证明了所提出的框架的有效性。
2022-01-20 cs.CR cs.LG cs.RO
MIDS: Detecting Stealthy Masquerade and Tampering Attacks on CAN Bus via Bidirectional Mamba
Institute of Information Engineering, Chinese Academy of Sciences（信息工程研究所，中国科学院）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）；Zhongguancun Laboratory（中关村实验室）
针对CAN总线缺乏加密认证易受攻击的问题，提出MIDS双流框架，利用双向状态空间模型并行处理标识符和载荷，在特斯拉Model 3数据集上F1达96.94%，优于基线8个百分点以上。
2026-06-18 cs.AI cs.CR
Failure Analysis of Safety Controllers in Autonomous Vehicles Under Object-Based LiDAR Attacks
Astana IT University（阿斯塔纳IT大学）
本文研究基于目标的激光雷达攻击对自动驾驶车辆安全控制器的影响，揭示了感知鲁棒性与控制安全之间的差距，并为设计更安全的控制策略提供参考。
2025-12-23 cs.CR cs.SE
Alleviating Attack Data Scarcity: SCANIA's Experience Towards Enhancing In-Vehicle Cyber Security Measures
Cloud and Embedded Platform, Traton AB（云和嵌入式平台，Traton AB）；Department of Electrical And Information Technology, LTH, Lund University（电气与信息科技系，LTH，吕勒欧大学）
本文针对车载网络攻击数据稀缺问题，提出一种上下文感知攻击数据生成器，可生成多种 CAN 攻击日志，并通过 IDS 案例验证了生成数据的有效性与实用性。
2025-07-06 cs.CR cs.LG cs.SE
"Blockchain-Enabled Zero Trust Framework for Securing FinTech Ecosystems Against Insider Threats and Cyber Attacks"
本文提出集成 Ethereum 智能合约的零信任框架，结合 MFA、RBAC、JIT 与链上策略执行，增强金融科技抵御内部威胁和网络攻击的能力。
2025-07-26 cs.CR
