論文の概要: Supervised Contrastive ResNet and Transfer Learning for the In-vehicle Intrusion Detection System

• arxiv url: http://arxiv.org/abs/2207.10814v1
• Date: Mon, 18 Jul 2022 05:34:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-31 14:13:38.065207
• Title: Supervised Contrastive ResNet and Transfer Learning for the In-vehicle Intrusion Detection System
• Title（参考訳）: 車内侵入検知システムにおける教師付きコントラストネットと転送学習
• Authors: Thien-Nu Hoang, Daehee Kim
• Abstract要約: 本稿では,CANバス上で複数の攻撃識別を行うための,教師付きコントラスト(SupCon)ResNetと呼ばれる新しいディープラーニングモデルを提案する。 このモデルは、他のモデルと比較して、4種類の攻撃の全体的な偽陰性率を平均4倍改善する。 このモデルは、転送学習を利用して生存データセット上での最高F1スコアを0.9994で達成する。
• 参考スコア（独自算出の注目度）: 0.22843885788439797
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: High-end vehicles have been furnished with a number of electronic control units (ECUs), which provide upgrading functions to enhance the driving experience. The controller area network (CAN) is a well-known protocol that connects these ECUs because of its modesty and efficiency. However, the CAN bus is vulnerable to various types of attacks. Although the intrusion detection system (IDS) is proposed to address the security problem of the CAN bus, most previous studies only provide alerts when attacks occur without knowing the specific type of attack. Moreover, an IDS is designed for a specific car model due to diverse car manufacturers. In this study, we proposed a novel deep learning model called supervised contrastive (SupCon) ResNet, which can handle multiple attack identification on the CAN bus. Furthermore, the model can be used to improve the performance of a limited-size dataset using a transfer learning technique. The capability of the proposed model is evaluated on two real car datasets. When tested with the car hacking dataset, the experiment results show that the SupCon ResNet model improves the overall false-negative rates of four types of attack by four times on average, compared to other models. In addition, the model achieves the highest F1 score at 0.9994 on the survival dataset by utilizing transfer learning. Finally, the model can adapt to hardware constraints in terms of memory size and running time.
• Abstract（参考訳）: ハイエンド車両には多数の電子制御ユニット(ECU)が備わっており、運転体験を向上させるためのアップグレード機能を提供している。 コントローラエリアネットワーク(CAN)は、モダリティと効率性から、これらのECUを接続するよく知られたプロトコルである。 しかし、CANバスは様々な種類の攻撃に対して脆弱である。 侵入検知システム(IDS)は、CANバスのセキュリティ問題に対処するために提案されているが、従来の研究は特定の攻撃の種類を知らずに攻撃が発生した場合にのみ警告を提供する。 さらに、IDSは様々な自動車メーカーのために、特定の自動車モデルのために設計されている。 本研究では,教師付きコントラスト(SupCon)ResNetと呼ばれる,CANバスにおける複数の攻撃識別を処理可能な新しいディープラーニングモデルを提案する。 さらに、モデルを使用して、転送学習技術を用いて、限られたサイズのデータセットのパフォーマンスを向上させることができる。 提案モデルの能力は2つの実車データセットで評価される。 カーハッキングデータセットでテストすると、supcon resnetモデルは他のモデルと比較して4種類の攻撃の全体的な偽陰性率を平均4倍改善することが示されている。 さらに、転送学習を利用して、生存データセット上でのF1スコアが0.9994に達した。 最後に、モデルはメモリサイズと実行時間の観点からハードウェアの制約に適応することができる。

関連論文リスト

• AI-Driven Intrusion Detection Systems (IDS) on the ROAD Dataset: A Comparative Analysis for Automotive Controller Area Network (CAN) [4.081467217340597]
  コントロールエリアネットワーク(CAN)バスは、電子制御ユニット(ECU)間の車内通信を管理する中央システムである。 CANプロトコルは、固有の脆弱性、暗号化と認証の欠如、攻撃面の拡大、堅牢なセキュリティ対策を必要とするセキュリティ上の問題を引き起こす。 本稿では、ステルスと洗練された注入を含む最新のROADデータセットについて考察する。
  論文  参考訳（メタデータ） (2024-08-30T12:26:23Z)
• Exploring Highly Quantised Neural Networks for Intrusion Detection in Automotive CAN [13.581341206178525]
  機械学習に基づく侵入検出モデルは、標的となる攻撃ベクトルを複数検出することに成功した。 本稿では,多クラス分類モデルとしてのカスタム量子化文学(CQMLP)について述べる。 IDSとして統合された2ビットCQMLPモデルでは、悪意のある攻撃メッセージを99.9%の精度で検出できることが示されている。
  論文  参考訳（メタデータ） (2024-01-19T21:11:02Z)
• SecureBERT and LLAMA 2 Empowered Control Area Network Intrusion Detection and Classification [2.824211356106516]
  我々は、CAN侵入検知のための2つの異なるモデル、CAN-SecureBERTとCAN-LLAMA2を開発した。 Can-LLAMA2モデルは、バランスの取れた精度、精度検出率、F1スコア、そして驚くほど低い3.10e-6の誤警報率で、例外的なパフォーマンス 0.999993 を達成することで、最先端モデルを上回る。
  論文  参考訳（メタデータ） (2023-11-19T23:49:08Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
  本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。 我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
  論文  参考訳（メタデータ） (2023-01-12T13:10:47Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Comparative Study on Supervised versus Semi-supervised Machine Learning for Anomaly Detection of In-vehicle CAN Network [5.965136243028868]
  本研究では,CANメッセージ異常検出のための完全教師付き機械学習と半教師付き機械学習との比較を行った。 XGBoostベースのモデルでは、最高の精度(98.65%)、精度(0.9853)、ROC AUC(0.9585)が文献で報告されている他の手法に勝っている。
  論文  参考訳（メタデータ） (2022-07-21T03:50:21Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• CANShield: Signal-based Intrusion Detection for Controller Area Networks [29.03951113836835]
  CANバスの信号に基づく侵入検知フレームワークであるCANShieldを提案する。 CanShieldは、信号レベルで高次元CANデータストリームを処理するデータ前処理モジュール、複数のディープオートエンコーダネットワークで構成されるデータアナライザモジュール、それぞれ異なる時間的視点から時系列データを解析するデータアナライザモジュール、アンサンブルメソッドを使用して最終的な決定を行うアタック検出モジュールの3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2022-05-03T04:52:44Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)

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。