Securing Connected Vehicle Applications with an Efficient Dual Cyber-Physical Blockchain Framework
虽然联网汽车（CV）应用有可能彻底改变传统的交通系统，但对它们的网络和物理攻击可能是毁灭性的。在这项工作中，我们提出了一个有效的双重网络物理区块链框架，为CV应用程序建立信任和安全通信。我们的方法结合了区块链技术和车辆的物理传感能力，可以快速响应大规模车辆网络中的攻击，并且资源开销很低。我们探索我们的框架的应用程序，三个CV应用程序，即，高速公路合并、智能交叉口管理和具有路径选择的交通网络。仿真结果证明了我们的基于区块链的框架在防御欺骗攻击，恶意攻击，Sybil和投票攻击方面的有效性。我们还提供了分析，以证明我们的框架的时间效率和低计算，通信和存储开销的实现。
2021-02-15 cs.CR
Communication-Aware Quantum-Inspired Reinforcement Learning for Cyber-Resilient V2X Intrusion Detection and Mitigation
Prince Sattam Bin Abdulaziz University（沙特萨勒曼本阿卜杜勒阿齐兹国王大学）；National University of Computer and Emerging Sciences（巴基斯坦国立计算机与新兴科学大学）
提出量子启发强化学习框架QIRL，结合轻量级深度Q网络、量子态编码和代价敏感MDP，实现高精度、超低延迟的自适应入侵检测，在CICIDS2017和UNSW-NB15上验证了有效性。
2026-07-14 cs.CR
Survey on Security Attacks in Connected and Autonomous Vehicular Systems
本文综述了联网与自主车辆（CAV）系统中的安全攻击，将威胁分为三类，评估防御策略，并讨论对手攻击影响及未来研究挑战。
2023-10-14 cs.CR cs.NI
Cybersecurity Threats in Connected and Automated Vehicles based Federated Learning Systems
Ryerson University（瑞尔森大学）
联邦学习（FL）是一种机器学习技术，旨在跨分散的实体训练算法，保持其本地数据私有。无线移动网络允许用户与其他固定或移动用户通信。道路交通网络代表无线移动网络的基于基础设施的配置，其中互联和自动车辆（CAB）代表通信实体。在无线移动网络环境中应用FL会在移动环境中产生与传统固定网络截然不同的新威胁。这种威胁是由于无线介质的固有特性造成的，并且是由车辆网络的特性（例如，高节点移动性和快速变化的拓扑结构）引起的。大多数网络防御技术依赖于高度可靠和连接的网络。本文探讨了伪造的信息攻击，其目标是FL过程中正在进行的RSU。我们确定了恶意CAV执行的一些攻击策略，以破坏车辆网络中全局模型的训练。我们证明了攻击能够增加收敛时间并降低模型的准确性。我们证明了我们的攻击绕过FL防御策略的主要形式，并强调了在未来道路网络的无线移动环境中需要新的中毒弹性防御机制。
2021-06-03 cs.CR cs.LG
RSU-Based Online Intrusion Detection and Mitigation for VANET
安全的车辆通信是安全交通管理的关键因素。智能交通系统（ITS）的有效安全需要有效且及时的入侵检测系统（IDS）。在本文中，我们考虑了虚假数据注入攻击和分布式拒绝服务（DDoS）攻击，特别是隐身DDoS攻击，针对完整性和可用性，分别在车辆自组网（VANET）。新的统计入侵检测和缓解技术的基础上，通过路边单元（RSU）的集中式通信提出了所考虑的攻击。所提出的方法的性能进行评估，使用交通模拟器和一个真正的交通数据集。与最先进的解决方案的比较清楚地表明了所提出的方法在快速准确地检测和定位网络攻击方面的优越性能。
2022-07-17 cs.CR
A Transparent Distributed Ledger-based Certificate Revocation Scheme for VANETs
在现有的通信系统中，车载网络正在成为移动自组织网络技术中最有前途但也最具挑战性的实例之一。大规模部署此类网络需要实施严格的安全机制，这些机制需要遵守智能交通系统的技术，社会，法律和经济要求。认证是车载网络中验证用户身份的有效方法。但是，它本身并不能保证网络安全。现有的行业标准没有考虑到迅速吊销行为不端车辆的方法。唯一可用的保护包括\textit{revocation by expiry}，它允许行为不端的车辆在系统中长时间保持信任（例如，根据欧盟安全政策，预加载证书3个月）。这对车辆生态系统的安全性构成了巨大而危险的限制。在这项工作中，我们提出了一种基于分布式账本的车辆自组织网络（VANESTO）证书撤销方案，该方案利用底层分布式账本技术（DLT）的优势来实现对所有参与实体完全透明的隐私感知撤销过程，并满足欧盟和美国标准定义的关键消息处理时间。实验验证和分析证明了所提出的方案的有效性和效率，其中DLT简化了撤销操作开销，并提供了一个经济的解决方案，以防止车辆系统中的网络攻击。
2020-10-23 cs.CR
Spoofing Attacks Against Vehicular FMCW Radar
面对网络攻击，车辆中乘客的安全性和保障是汽车行业的关键因素，特别是随着高级驾驶员辅助系统（ADAS）的出现和自动驾驶汽车（AV）的巨大改进。这些平台使用各种传感器，包括相机，LiDAR和毫米波雷达。如果被攻击者利用，这些传感器本身可能存在潜在的安全隐患。在本文中，我们提出了一个系统来攻击汽车FMCW毫米波雷达，使用快速啁啾调制。使用单个流氓雷达，我们的攻击系统能够欺骗受害者车辆同时测量的距离和速度，呈现与控制车辆运动的物理定律一致的幻影测量。攻击雷达通过控制时延来欺骗距离，通过相位补偿和控制来欺骗速度。在开发了攻击理论之后，我们通过使用软件定义无线电构建基于硬件的概念验证系统来演示欺骗攻击。我们成功地演示了两个真实世界的情况下，受害者雷达欺骗检测到一个幻影紧急停止或幻影加速度，同时测量相干的范围和速度。我们还讨论了几种对策的攻击，以提出减轻所描述的攻击的方法。
2021-04-27 cs.CR
Simulating Malicious Attacks on VANETs for Connected and Autonomous Vehicle Cybersecurity: A Machine Learning Dataset
Oxford Brookes University（牛津布鲁克斯大学）
互联和自动驾驶汽车（CAV）依赖于车辆自组织网络，车辆和路边基础设施之间通过无线通信来支持安全运行。然而，网络安全攻击对VANESTO和CAV的安全运行构成了威胁。本研究提出了使用模拟典型的通信场景，可能会受到恶意攻击的建模。Eclipse MOSAIC仿真框架用于模拟两种典型的道路场景，包括车辆和基础设施之间的消息传递，并介绍了重播和虚假信息网络安全攻击。该模型展示了这些攻击的影响，并提供了一个开放的数据集，为机器学习算法的开发提供信息，以提供异常检测和缓解解决方案，从而增强安全通信和CAV在道路上的安全部署。
2022-02-15 cs.CR cs.LG
Threats and Countermeasures of Cyber Security in Direct and Remote Vehicle Communication Systems
交通管理、道路安全和环境影响是当今世界的重要问题。智能交通系统（ITS）的传感、控制和通信方法的应用解决了这些挑战。ITS的一部分是车辆自组织网络（VANET），其意味着车辆的无线网络。然而，在VANET中的车辆之间的通信暴露了一些需要研究和解决的安全威胁。本文首先阐述了车载自组网的基本流程，重点介绍了车载自组网的通信方式、体系结构、特点、标准和安全设施。其次，讨论了VANET面临的攻击和威胁。此外，描述了认证系统，通过该认证系统可以保护车辆网络免受虚假消息和恶意节点的攻击。讨论了远程无钥匙进入系统、专用短程通信、蜂窝方案、Zigbee、蓝牙、射频识别、WiFi、WiMAX等不同远程车辆通信方式以及车载诊断和通用串行总线等不同直接车辆通信方式的安全威胁和应对措施。
2020-06-11 cs.CR cs.IT eess.SP
Deep Transfer Learning Based Intrusion Detection System for Electric Vehicular Networks
Mawlana Bhashani Science and Technology University（毛拉纳·巴沙尼科学技术大学）；Deakin University（迪肯大学）
控制器局域网（CAN）总线以其简单、适用、健壮的结构成为实时车载网络（IVN）系统中的重要协议。IVN设备的风险仍然是不安全和脆弱的，因为复杂的数据密集型架构大大增加了未经授权网络的可访问性和各种网络攻击的可能性。因此，检测IVN设备中的网络攻击已成为日益增长的兴趣。随着入侵检测网络的快速发展和威胁类型的不断变化，传统的基于机器学习的入侵检测系统必须进行更新以适应当前环境的安全需求。如今，深度学习、深度迁移学习及其在多个领域的影响力已经成为网络入侵检测的有效解决方案。本文提出了一种基于深度迁移学习的IVN IDS模型，与其他几种现有模型相比，该模型具有更好的性能。独特的贡献包括最适合识别恶意CAN消息并准确检测正常和异常活动的有效属性选择，设计基于深度迁移学习的LeNet模型，并考虑真实世界数据进行评估。为此，进行了广泛的实验性性能评估。该体系结构和实证分析表明，与主流机器学习、深度学习和基准深度迁移学习模型相比，该入侵检测系统大大提高了检测精度，并在实时IVN安全方面表现出更好的性能。
2021-07-12 cs.AI cs.CR
Advanced Analytics for Connected Cars Cyber Security
车载互联革命正在推动汽车行业数十年来最重大的变革。然而，随着现代汽车变得更加互联，它们也变得更容易受到网络攻击。在本文中，提出了一种完全有效的机器学习方法来保护联网车辆（车队和个人）免受此类攻击。我们提出了一个系统，监控不同的车辆的接口（网络，CAN和OS），提取相关信息的基础上可配置的规则，并将其发送到一个训练有素的生成模型，以检测偏离正常行为。使用可配置的数据收集器，我们提供了更高级别的数据抽象，因为模型是基于事件而不是原始数据进行训练的，这具有噪声过滤效果，并且无需在协议更改时重新训练模型。我们提出了一种新的方法来检测异常，量身定制的时间性质，我们的域。将Gutflaish等人（2017）的混合方法适用于全时间设置，我们首先训练隐马尔可夫模型来学习正常的车辆行为，然后使用回归模型来校准异常的可能性阈值。使用这种架构，我们的方法检测复杂和现实的异常，这是错过了其他现有的方法只监测CAN总线。我们还证明了自适应阈值优于静态阈值。此外，我们的方法可以有效地扩展，从监控单个汽车到服务大型车队。我们通过令人鼓舞的实证结果证明了我们的模型的竞争优势。
2017-11-08 cs.CR
An Overview of Attacks and Defences on Intelligent Connected Vehicles
网络安全是联网车辆系统面临的最重大挑战之一，联网车辆容易受到各种网络安全攻击，危及乘客的安全。智能互联汽车的网络安全由车内安全和车间通信安全组成。电子控制单元（ECU）和控制区域网络（CAN）总线的安全性是车载安全性中最重要的部分。此外，随着4G LTE和5G远程通信技术的发展，车辆到一切（V2X）通信，车辆间通信的安全性是另一个潜在问题。在简要介绍了包括无人驾驶和智能车辆在内的下一代车辆的架构之后，本文确定了智能联网车辆上的几种主要安全攻击。基于这些攻击，我们提供了一个全面的调查，对这些攻击的可用防御，并将它们分为四类，即加密，网络安全，软件漏洞检测，恶意软件检测。我们还探讨了防止智能车辆系统攻击的未来方向。
2019-07-17 cs.CR
Security and Privacy Issues for Connected Vehicles
现代汽车包含一百多个电子控制单元（ECU），它们通过不同的车载网络进行通信，并且它们通常连接到互联网，这使得它们容易受到各种网络攻击。此外，联网车辆收集的数据直接连接到车辆网络。因此，收集了大量的车辆数据，这些数据是有价值的，并且可以深入了解驾驶员的行为。在此之前，提出了一种名为vehicleLang的概率建模和仿真语言来分析联网车辆的安全性。然而，车辆数据的隐私问题尚未得到解决。为了填补这一空白，这项工作提出了一个基于vehicleLang的车辆隐私规范，该规范使用Meta Attack Language（MAL）以正式的方式评估联网车辆的安全性，特别关注隐私方面。为了评估这项工作，测试用例也。
2018-12-18 cs.CR eess.SP
IoT Malware Detection Architecture using a Novel Channel Boosted and Squeezed CNN
Pakistan Institute of Engineering & Applied Sciences（巴基斯坦工程与应用科学研究院）
设备、人和互联网之间的交互催生了一种新的数字通信模式--物联网（IoT）。这些智能设备的无缝网络是这种物联网模型的核心。然而，另一方面，集成智能设备以构成网络引入了许多安全挑战。这些联网设备造成了一个安全盲点，网络犯罪分子可以很容易地使用恶意软件扩散技术发动攻击，从而危及设备。因此，恶意软件检测被认为是物联网设备抵御网络攻击的生命线。这项研究提出了一种新的物联网恶意软件检测架构（iMDA）使用挤压和提升扩张卷积神经网络（CNN）。所提出的架构利用边缘和平滑，多路径扩张卷积运算，信道压缩和提升CNN的概念。边缘和平滑操作与分裂-变换-合并（STM）块一起使用，以提取恶意软件图像中的局部结构和微小对比度变化。STM块执行多路径扩张卷积操作，这有助于识别恶意软件模式的全局结构。此外，通道压缩和合并有助于得到突出的减少和多样化的特征图，分别。在STM块的帮助下，在初始、中间和最终级别应用通道压缩和提升，以捕获纹理变化以及深度，以便恶意软件模式狩猎。与定制的CNN模型相比，所提出的架构显示出了显著的性能。申报iMDA的准确度为97.93%，F1评分为0.9394，精密度为0.9864，MCC为0。8796，召回：0.8873，AUC-PR：0.9689和AUC-ROC：0.9938。
2022-02-08 cs.AI cs.CR
Navigating Connected Car Cybersecurity: Location Anomaly Detection with RAN Data
针对联网汽车劫持与欺骗攻击，本文提出基于 RAN 事件监测的位置异常检测模块，利用数千万辆汽车数据识别同时出现在多地的恶意设备。
2024-07-02 cs.CR cs.NI
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
One-Class Classification for Intrusion Detection on Vehicular Networks
University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；Tampere University（坦佩雷大学）
本文针对车载CAN总线入侵检测中未知攻击表示不足的问题，系统评估多种最先进的单类分类方法，发现子空间支持向量数据描述性能最优，Gmean约达85%。
2023-09-25 cs.CR cs.LG
VeReMi: A Dataset for Comparable Evaluation of Misbehavior Detection in VANETs
车载网络是通信车辆的网络，是未来协作和自动驾驶技术的主要使能技术。这些网络中最重要的消息是广播认证的周期性单跳信标，用于安全和交通效率应用，如碰撞避免和交通堵塞检测。然而，广播真实性不足以保证消息的正确性。不当行为检测的目标是分析这些网络物理系统中的应用程序数据和物理过程知识，以检测不正确的消息，从而能够在本地撤销传输恶意消息的车辆。由于缺乏参考数据集，检测机制之间的比较研究很少。我们采取的第一步，以解决这一挑战，通过引入车辆参考不当行为数据集（VeReMi）和讨论有效的指标，这样的评估。VeReMi是第一个公共的可扩展数据集，允许任何人复制生成过程，以及贡献攻击，并使用数据来比较新的检测机制与现有的检测机制。我们的分析结果表明，接受范围阈值和简单的速度检查是互补的机制，检测不同的攻击。这支持了一个直观的概念，即融合可以带来更好的数据结果，我们建议未来的工作应该专注于将VeReMi作为评估基线的有效融合。
2018-04-18 cs.CR
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
Risk Analysis Study of Fully Autonomous Vehicle
全自动驾驶汽车是新兴的车辆技术，在今天的研究工作中得到了极大的关注。尽管它承诺优化道路安全，但无线和传感器技术的扩散使其容易受到网络威胁，从而拖延了其采用。因此，查明威胁和设计适当的安全解决办法，对于加快采用这一战略至关重要。在本文中，我们使用ETSI的TVRA方法的一个子集来分析全自动驾驶汽车的通信基础设施的安全风险。我们描述了通信基础设施的模型。该模型阐明了车辆的潜在通信可能性。然后，我们定义了安全目标并确定了威胁。此外，我们对风险进行了分类，并提出了相应的对策，以促进安全解决方案的设计。我们发现，所有确定的高影响力的威胁都来自一个特定的来源，并需要加密机制作为对策。最后，我们发现，所有与人类互动造成的威胁都是严重后果。
2019-05-27 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
Practitioner Paper: Decoding Intellectual Property: Acoustic and Magnetic Side-channel Attack on a 3D Printer
本文提出利用智能手机远程捕获3D打印机的声学和磁信号进行侧信道攻击，通过梯度提升决策树模型重建G-code，在无侵入条件下预测各部件运动平均准确率达98.80%，实际场景平均趋势误差为4.47%，揭示了3D打印知识产权的物理泄露风险。
2024-11-16 cs.CR
HoneyCar: A Framework to Configure Honeypot Vulnerabilities on the Internet of Vehicles
University of Greenwich（格林威治大学）；Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；University of Surrey（萨里大学）；Delft University of Technology（代尔夫特理工大学）
车联网（IoV）使互联的车辆在一个共同的网络上相互通信并与道路基础设施通信，具有良好的社会经济效益，但也带来了新的网络物理威胁。车辆攻击者的数据可以通过使用蜜罐等系统的网络威胁情报来实际收集。诚然，配置蜜罐引入了蜜罐-攻击者交互级别与任何实施和监控这些蜜罐所产生的开销和成本之间的权衡。我们认为，有效的欺骗可以通过战略性地配置蜜罐来代表车联网的组件，并吸引攻击者收集网络威胁情报。在本文中，我们提出了HoneyCar，一种新的决策支持框架，用于车联网中的蜜罐欺骗。HoneyCar建立在国家漏洞数据库（NVD）中常见漏洞和暴露（CVE）数据中发现的自动驾驶和联网车辆的已知漏洞库的基础上，以计算最佳蜜罐配置策略。通过采取博弈论的方法，我们建模的对抗性互动作为一个重复的信息零和博弈，其中的车联网网络管理员选择一组漏洞提供一个蜜罐和战略攻击者选择的车联网的漏洞利用不确定性。我们的调查是通过检查两个不同版本的游戏，有和没有重新配置的成本，使网络管理员，以确定最佳的蜜罐配置证实。我们在一个现实的用例中评估HoneyCar，以支持决策者确定用于车联网战略部署的最佳蜜罐配置策略。
2021-11-03 cs.AI cs.CR
A Survey on Adversarial Robustness of LiDAR-based Machine Learning Perception in Autonomous Vehicles
本文综述了自动驾驶中基于LiDAR的机器学习感知系统面临的对抗攻击威胁及相应防御策略，强调构建稳健防御体系对保障自动驾驶安全的重要性。
2024-11-21 cs.AI 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
DAIRE: A lightweight AI model for real-time detection of Controller Area Network attacks in the Internet of Vehicles
Department of Information Security, College of Computer Science and Engineering, University of Ha’il（信息安全系，计算机科学与工程学院，哈伊尔大学）；Department of Computer Engineering, Center of Excellence in Artificial Intelligence, Bahria University（计算机工程系，人工智能卓越中心，巴赫里大学）；Department of Artificial Intelligence, College of Computer Science and Engineering, University of Ha’il（人工智能系，计算机科学与工程学院，哈伊尔大学）；Department of Computer Science, College of Computer Science and Engineering, University of Ha’il（计算机科学系，计算机科学与工程学院，哈伊尔大学）；Department of Software Engineering, College of Computer Science and Engineering, University of Ha’il（软件工程系，计算机科学与工程学院，哈伊尔大学）
本文提出DAIRE模型，利用轻量级神经网络实现实时检测和分类CAN攻击，实验显示其在准确率和速度上均优于现有方法。
2026-04-22 cs.AI cs.CR
A Framework for the Systematic Assessment of Anomaly Detectors in Time-Sensitive Automotive Networks
本文提出一个基于仿真工具链的评估框架，用于在车载时间敏感网络中系统化、可复现地评估网络异常检测系统，并通过综合车载网络实验揭示了TSN流量与异常类型组合对检测性能的影响。
2024-05-02 cs.CR cs.NI
A White-Box Adversarial Attack Against a Digital Twin
Mississippi State University（密西西比州立大学）
本文研究数字孪生中ML/DL分类器对白盒对抗攻击的脆弱性，以车辆系统深度神经网络数字孪生为概念验证，通过扰动输入成功破坏模型。
2022-10-25 cs.AI cs.CR cs.LG
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
A Conditional Tabular GAN-Enhanced Intrusion Detection System for Rare Attacks in IoT Networks
College of computing, Mohammed VI Polytechnic University, Ben Guerir, Morocco（计算学院，穆莱·伊沙克大学，布恩吉尔，摩洛哥）
针对物联网数据类别不平衡导致传统IDS难以检测罕见攻击的问题，提出CTGSM-DNN两阶段系统，利用CTGAN生成合成数据并用SMOTEENN提升数据集质量，在CSE-CIC-IDS2018数据集上实现99.90%总体准确率和80%罕见攻击检测准确率。
2025-02-09 cs.CR cs.LG
Zero-Day Botnet Attack Detection in IoV: A Modular Approach Using Isolation Forests and Particle Swarm Optimization
L3I, University of La Rochelle, France（La Rochelle大学L3I实验室）；National Higher School of Technology and Engineering, LTSE, E3360100, Annaba, Algeria（阿尔及利亚安纳巴国家高等技术与工程学校）
针对车联网中联网和自动驾驶车辆的安全威胁，提出一种基于边缘的入侵检测系统，利用孤立森林模型和粒子群优化的堆叠策略构建元集成分类器，有效检测已知与零日僵尸网络攻击。
2025-05-01 cs.AI cs.CR
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
On the Security of Networked Control Systems in Smart Vehicle and its Adaptive Cruise Control
随着车联网（IoV）模式的发展，随之而来的是前所未有的安全挑战。在互联系统的许多应用中，车载网络和智能汽车是已经推出的例子。智能车辆不仅具有通过控制器局域网（CAN）总线连接其内部组件的网络，而且还通过路边单元和其他车辆连接到外部世界。在某些情况下，内部和外部网络数据包通过相同的硬件，仅由软件定义的规则隔离。任何错误的配置都为黑客入侵车辆的内部组件打开了一扇窗户，例如中央锁系统，发动机控制单元（ECU），防抱死制动系统（ABS）或自适应巡航控制（ACC）系统。其中任何一个妥协都可能导致灾难性的后果。本文研究了智能汽车自适应巡航控制系统在隐蔽攻击下的安全性。我们定义了两个隐蔽/隐形攻击的背景下，巡航控制，并提出了一种新的入侵检测和补偿方法来披露和响应这样的攻击。更准确地说，我们专注于隐蔽的网络攻击，损害巡航控制器的完整性，并采用一个神经网络标识符在IDS引擎动态估计系统输出，并将其与ACC输出。如果检测到任何异常，嵌入式替代控制器就会启动并接管控制。我们在MATLAB中进行了大量的实验，以评估所提出的方案在模拟环境中的有效性。
2020-08-04 cs.CR cs.SY eess.SY
