論文の概要: STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion
Detection System for Intelligent Connected Vehicles
- arxiv url: http://arxiv.org/abs/2204.10990v1
- Date: Sat, 23 Apr 2022 04:22:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 08:59:48.285648
- Title: STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion
Detection System for Intelligent Connected Vehicles
- Title（参考訳）: STC-IDS:知的連系車両の時空間相関解析に基づく侵入検知システム
- Authors: Mu Han, Pengzhou Cheng, and Fengwei Zhang
- Abstract要約: 車両内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。
具体的には、エンコーダ部では、空間的関係と時間的関係を同時に符号化する。
符号化された情報は検出器に渡され、強制的な空間的時間的注意特徴を生成し、異常分類を可能にする。
- 参考スコア（独自算出の注目度）: 7.301018758489822
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intrusion detection is an important defensive measure for the security of
automotive communications. Accurate frame detection models assist vehicles to
avoid malicious attacks. Uncertainty and diversity regarding attack methods
make this task challenging. However, the existing works have the limitation of
only considering local features or the weak feature mapping of multi-features.
To address these limitations, we present a novel model for automotive intrusion
detection by spatial-temporal correlation features of in-vehicle communication
traffic (STC-IDS). Specifically, the proposed model exploits an
encoding-detection architecture. In the encoder part, spatial and temporal
relations are encoded simultaneously. To strengthen the relationship between
features, the attention-based convolution network still captures spatial and
channel features to increase the receptive field, while attention-LSTM build
important relationships from previous time series or crucial bytes. The encoded
information is then passed to the detector for generating forceful
spatial-temporal attention features and enabling anomaly classification. In
particular, single-frame and multi-frame models are constructed to present
different advantages respectively. Under automatic hyper-parameter selection
based on Bayesian optimization, the model is trained to attain the best
performance. Extensive empirical studies based on a real-world vehicle attack
dataset demonstrate that STC-IDS has outperformed baseline methods and cables
fewer false-positive rates while maintaining efficiency.
- Abstract（参考訳）: 侵入検知は自動車通信の安全にとって重要な防御手段である。
正確なフレーム検出モデルは、車両が悪意のある攻撃を避けるのを助ける。
攻撃方法に関する不確実性と多様性は、この課題を難しくする。
しかし、既存の研究は、局所的な特徴やマルチフィーチャーの弱い特徴マッピングのみを考慮するという制限がある。
これらの制約に対処するために,車内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。
具体的には,符号化検出アーキテクチャを利用する。
エンコーダ部は、空間的および時間的関係を同時に符号化する。
特徴間の関係を強化するために、注意ベースの畳み込みネットワークは、空間的特徴とチャネル的特徴を捕捉し、受容野を増加させる一方、注意-LSTMは以前の時系列や重要なバイトから重要な関係を構築する。
符号化された情報は検出器に渡され、力強い空間-時間的注意特徴を生成し、異常分類を可能にする。
特に、シングルフレームモデルとマルチフレームモデルはそれぞれ異なる利点を示すために構築される。
ベイズ最適化に基づく自動ハイパーパラメータ選択では、最適性能を得るためにモデルを訓練する。
実世界の車両攻撃データセットに基づく大規模な実証研究により、STC-IDSはベースライン法よりも優れており、ケーブルは効率を保ちながら偽陽性率が少ないことが示されている。
関連論文リスト
- Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。
グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
論文 参考訳（メタデータ） (2024-09-23T11:01:18Z) - STCMOT: Spatio-Temporal Cohesion Learning for UAV-Based Multiple Object Tracking [13.269416985959404]
無人航空機(UAV)ビデオにおける複数物体追跡(MOT)は、コンピュータビジョンにおける多様な用途において重要である。
時空間結合型多目的追跡フレームワーク(STCMOT)を提案する。
歴史的埋め込み機能を用いて,ReIDの表現と検出機能を逐次的にモデル化する。
我々のフレームワークはMOTAとIDF1メトリクスで新しい最先端のパフォーマンスを設定します。
論文 参考訳（メタデータ） (2024-09-17T14:34:18Z) - Cross-Cluster Shifting for Efficient and Effective 3D Object Detection
in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。
我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。
我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文 参考訳（メタデータ） (2024-03-10T10:36:32Z) - MKF-ADS: Multi-Knowledge Fusion Based Self-supervised Anomaly Detection System for Control Area Network [9.305680247704542]
制御エリアネットワーク(英: Control Area Network, CAN)は、車両ネットワークにおける電子制御ユニット(ECU)間の通信プロトコルである。
CANは、本質的にセキュリティ上のリスクのために、厳しいセキュリティ上の課題に直面している。
本稿では,MKF-ADSと呼ばれる自己教師付き多知識融合異常検出モデルを提案する。
論文 参考訳（メタデータ） (2024-03-07T07:40:53Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Intrusion Detection using Spatial-Temporal features based on Riemannian
Manifold [1.14219428942199]
ネットワークトラフィックデータは、異なるネットワークプロトコルの下で異なるデータバイトパケットの組み合わせである。
これらのトラフィックパケットは、複雑な時間変化の非線形関係を持つ。
既存の最先端の手法は、相関に基づいて特徴を複数のサブセットに融合することで、この課題に発展する。
これはしばしば、高い計算コストと、ネットワークトラフィックのリアルタイム処理に制限となる手動サポートを必要とする。
論文 参考訳（メタデータ） (2021-10-31T23:50:59Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - On the benefits of robust models in modulation recognition [53.391095789289736]
畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。
画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。
最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-27T19:58:06Z) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-12-09T06:42:30Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。