LCCDE: A Decision-Based Ensemble Framework for Intrusion Detection in The Internet of Vehicles
원문 초록
Modern vehicles, including autonomous vehicles and connected vehicles, have adopted an increasing variety of functionalities through connections and communications with other vehicles, smart devices, and infrastructures. However, the growing connectivity of the Internet of Vehicles (IoV) also increases the vulnerabilities to network attacks. To protect IoV systems against cyber threats, Intrusion Detection Systems (IDSs) that can identify malicious cyber-attacks have been developed using Machine Learning (ML) approaches. To accurately detect various types of attacks in IoV networks, we propose a novel ensemble IDS framework named Leader Class and Confidence Decision Ensemble (LCCDE). It is constructed by determining the best-performing ML model among three advanced ML algorithms (XGBoost, LightGBM, and CatBoost) for every class or type of attack. The class leader models with their prediction confidence values are then utilized to make accurate decisions regarding the detection of various types of cyber-attacks. Experiments on two public IoV security datasets (Car-Hacking and CICIDS2017 datasets) demonstrate the effectiveness of the proposed LCCDE for intrusion detection on both intra-vehicle and external networks.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
이상 탐지를 위한 연합 경량 헤드 기반 시계열 트랜스포머 CAN 인코더
Temporal transformer CAN encoder with federated lightweight heads for anomaly detection
현대 차량은 CAN(Controller Area Network) 버스를 통해 지속적으로 정보를 교환하는 수많은 전자제어장치(ECU)에 의존합니다. 이러한 통신의 신속성, 구조, 반복성으로 인해 타이밍, 페이로드 값, 메시지 패턴의 미세한 변화조차도 비정상적인 활동을 나타낼 수 있습니다. 오류, 오작동, 의도적인 간섭 등 원인에 관계없이 이러한 이상 현상은 매우 미묘하여, 메시지를 개별적으로 처리하거나 수작업으로 생성된 규칙에 의존하는 기존 방식으로는 식별하기 어렵습니다. 이러한 한계점을 해결하기 위해, 본 논문에서는 이러한 불규칙성을 더 효과적으로 포착할 수 있도록 연합 경량 헤드를 갖춘 시계열 트랜스포머 CAN 인코더 기반의 차량 내 네트워크 이상 탐지용 프라이버시 보존 프레임워크를 제안합니다. 이 신호들이 시간에 따라 어떻게 변화하는지 학습하는 경량 트랜스포머 인코더를 통해 미묘한 시계열 및 문맥적 이상 현상의 탐지가 가능해지며, 연합학습(federated learning) 메커니즘을 통해 여러 차량이나 ECU가 원시 CAN 데이터를 교환하지 않고도 협력하여 공유 모델을 개선할 수 있습니다. 오픈소스 데이터셋을 대상으로 수행한 실험에 따르면, 이러한 연합학습과 시계열 시퀀스 모델링의 결합은 효율성과 프라이버시를 유지하면서도 견고한 이상 탐지 성능을 제공합니다.
MIDS: 양방향 Mamba를 통한 CAN 버스의 은밀한 가장 및 변조 공격 탐지
MIDS: Detecting Stealthy Masquerade and Tampering Attacks on CAN Bus via Bidirectional Mamba
컨트롤러 에어리어 네트워크(CAN) 프로토콜은 현대 차량의 전자 제어 유닛(ECU)을 위한 주요 통신 표준이지만, 암호화와 인증의 부재로 인해 다양한 보안 위협에 노출되어 있습니다. 기존의 침입 탐지 시스템(IDS)은 주로 위조 스타일 공격(DoS, 퍼징, 프레임 삽입으로 실현된 ID 스푸핑)에 맞춰 조정되어 있으며, 여기서는 ID별 도착 간격 통계와 같은 탐지 신호가 쉽게 사용 가능합니다. 우리는 대신 더 어려운 가장(masquerade) 설정을 다룹니다. 이 설정에서 내부 적대자는 원래 전송 슬롯에서 합법적인 프레임을 제자리에서 대체하여 트래픽 주기성을 유지하고 트래픽 통계 기반 방어를 무력화합니다. 우리는 CAN 식별자와 페이로드를 병렬로 처리하고 양방향 선택적 상태 공간 모델링을 통해 결합된 시간적 의미를 재구성하는 혁신적인 이중 스트림 프레임워크인 Mamba Intrusion Detection System (MIDS)를 제안합니다. MIDS를 평가하기 위해 우리는 세 가지 주행 조건에 걸쳐 실제 Tesla Model 3에서 1억 개 이상의 CAN 프레임을 수집하고 ID 전용, 데이터 전용 및 결합 수정을 포괄하는 54가지 가장 공격 변형을 합성했습니다. MIDS는 이 데이터셋에서 96.94%의 F1 점수를 달성하여 가장 강력한 재현 가능한 기준선(baseline)을 8%p 이상 상회하며, 1.147ms의 단일 윈도우 추론(inference) 지연 시간을 유지하여 실시간 온보드 배포에 충분한 여유를 제공합니다. 일반화를 검증하기 위해 우리는 가장 및 삽입 시나리오를 모두 포괄하는 4개의 공개 벤치마크(ROAD, CrySyS, OTIDS, CT&T)에서 MIDS를 추가로 평가했습니다. MIDS는 통합 5-폴드 프로토콜 하에서 93.70%에서 99.61%까지의 F1 점수를 달성하여 8개의 재현된 기준선 중 가장 강력한 모델보다 최대 13.94%p 더 높은 성능을 보였습니다.
Neuromorphic Mimicry Attacks Exploiting Brain-Inspired Computing for Covert Cyber Intrusions
A Survey of Learning-Based Intrusion Detection Systems for In-Vehicle Network
자율주행을 위한 생성형 AI: 최전선과 기회
Generative AI for Autonomous Driving: Frontiers and Opportunities
생성형 인공지능(GenAI)은 콘텐츠 생성, 추론, 계획, 멀티모달 이해를 위한 비할 데 없는 역량을 통해 산업을 재편하는 변혁적인 기술 물결을 형성하고 있습니다. 이러한 혁신적인 힘은 공학 분야의 가장 큰 난제 중 하나인 신뢰할 수 있는 완전 자율주행의 달성, 특히 레벨 5 자율주행의 실현을 향한 가장 유망한 경로를 제공합니다. 본 서베이 논문은 자율주행 스택 전반에 걸친 생성형 AI의 부상하는 역할을 포괄적이고 비판적으로 종합하여 제시합니다. 먼저 VAE, GAN, 확산 모델(Diffusion Models), 대규모 언어 모델(LLM)을 아우르는 현대 생성 모델링의 원리와 트레이드오프를 정리합니다. 이어서 이미지, LiDAR, 궤적, 점유(occupancy), 비디오 생성뿐만 아니라 LLM 기반 추론 및 의사결정에서의 최전선 응용 사례를 조망합니다. 또한 합성 데이터 워크플로우, 엔드투엔드(end-to-end) 주행 전략, 고충실도 디지털 트윈 시스템, 지능형 교통 네트워크, 체화된 AI(embodied AI)로의 도메인 간 전이 등 실질적인 적용 분야를 분류합니다. 희귀 사례에 걸친 포괄적 일반화, 평가 및 안전성(safety) 검증, 예산 제약 기반 구현, 규제 준수, 윤리적 문제, 환경적 영향과 같은 주요 장애물과 가능성을 식별하는 동시에, 이론적 보증, 신뢰 메트릭, 교통 통합, 사회기술적 영향에 걸친 연구 계획을 제안합니다. 이러한 흐름을 통합함으로써, 본 서베이는 생성형 AI와 첨단 자율 이동성의 수렴을 탐색하는 연구자, 엔지니어, 정책 입안자들에게 미래지향적인 참고자료를 제공합니다. 인용된 연구들을 적극적으로 관리하는 저장소는 https://github.com/taco-group/GenAI4AD 에서 확인할 수 있습니다.
A Survey on Vision-Language-Action Models for Autonomous Driving
토론
이 논문과 연결된 포럼 글이 아직 없습니다.