論文の概要: LiPar: A Lightweight Parallel Learning Model for Practical In-Vehicle Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2311.08000v2
• Date: Sat, 21 Dec 2024 03:03:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:52:14.610389
• Title: LiPar: A Lightweight Parallel Learning Model for Practical In-Vehicle Network Intrusion Detection
• Title（参考訳）: LiPar: 実用的な車載ネットワーク侵入検知のための軽量並列学習モデル
• Authors: Aiheng Zhang, Qiguang Jiang, Kai Wang, Ming Li,
• Abstract要約: 本稿では,車載侵入検知の一般化を実現する軽量並列ニューラルネットワーク構造LiParを提案する。 LiParは、複数の電子制御ユニット、ドメインコントローラ、コンピューティングゲートウェイなど、車載コンピューティングデバイスにタスク負荷を適応的に割り当てる。 我々はLiParが優れた検出性能、実行効率、軽量なモデルサイズを有しており、車内環境に実用的に適合し、車内CANバスのセキュリティを保護することができることを証明した。
• 参考スコア（独自算出の注目度）: 9.424132584616288
• License:
• Abstract: With the development of intelligent transportation systems, vehicles are exposed to a complex network environment. As the main network of in-vehicle networks, the controller area network (CAN) has many potential security hazards, resulting in higher generalization capability and lighter security requirements for intrusion detection systems to ensure safety. Among intrusion detection technologies, methods based on deep learning work best without prior expert knowledge. However, they all have a large model size and usually rely on large computing power such as cloud computing, and are therefore not suitable to be installed on the in-vehicle network. Therefore, we explore computational resource allocation schemes in in-vehicle network and propose a lightweight parallel neural network structure, LiPar, which achieve enhanced generalization capability for identifying normal and abnormal patterns of in-vehicle communication flows to achieve effective intrusion detection while improving the utilization of limited computing resources. In particular, LiPar adaptationally allocates task loads to in-vehicle computing devices, such as multiple electronic control units, domain controllers, computing gateways through evaluates whether a computing device is suitable to undertake the branch computing tasks according to its real-time resource occupancy. Through experiments, we prove that LiPar has great detection performance, running efficiency, and lightweight model size, which can be well adapted to the in-vehicle environment practically and protect the in-vehicle CAN bus security. Furthermore, with only the common multi-dimensional branch convolution networks for detection, LiPar can have a high potential for generalization in spatial and temporal feature fusion learning.
• Abstract（参考訳）: インテリジェント交通システムの開発により、車両は複雑なネットワーク環境にさらされる。 車両内ネットワークのメインネットワークとして、コントローラエリアネットワーク(CAN)には多くの潜在的なセキュリティ上の危険性があり、その結果、侵入検知システムに対する高い一般化能力とより軽いセキュリティ要件が保証される。 侵入検知技術のうち、深層学習に基づく手法は、事前知識がなくても最もうまく機能する。 しかし、これらはすべて大きなモデルサイズであり、通常クラウドコンピューティングのような大きなコンピューティング能力に依存しているため、車載ネットワークにインストールするには適していない。 そこで,本研究では,車内ネットワークにおける計算資源割り当て方式について検討し,車内通信フローの正常パターンと異常パターンを同定し,限られた計算資源の利用性を改善しつつ効果的な侵入検出を実現するための,軽量並列ニューラルネットワーク構造LiParを提案する。 特に、LiParは、複数の電子制御ユニット、ドメインコントローラ、コンピューティングゲートウェイなどの車載コンピューティングデバイスにタスク負荷を適応的に割り当て、コンピューティングデバイスがそのリアルタイムリソース占有度に応じて分岐コンピューティングタスクを実行するのに適したかどうかを評価する。 実験により、LiParは優れた検出性能、実行効率、軽量モデルサイズを有し、車内環境に実用的に適合し、車内CANバスのセキュリティを保護できることを示した。 さらに、検出のための共通多次元分岐畳み込みネットワークのみにより、LiParは空間的および時間的特徴融合学習における一般化の可能性が高い。

関連論文リスト

• Distributing Intelligence in 6G Programmable Data Planes for Effective In-Network Deployment of an Active Intrusion Detection System [2.563180814294141]
  本研究の目的は、将来のプログラマブルネットワークの典型的なデータプレーン内のデバイスが%分類と異常検出能力を有し、完全に分散した方法で協調してML対応アクティブ侵入検知システムとして機能する破壊的パラダイムを提案することである。 報告された概念実証実験は、提案されたパラダイムによって、デバイス全体のCPUやRAMリソースの削減を図りながら、効果的かつ良好な精度で作業することが可能であることを実証している。
  論文  参考訳（メタデータ） (2024-10-31T15:14:15Z)
• Sparse Federated Training of Object Detection in the Internet of Vehicles [13.864554148921826]
  物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである 現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。 そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-07T08:58:41Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• ARCADE: Adversarially Regularized Convolutional Autoencoder for Network Anomaly Detection [0.0]
  ARCADEと呼ばれる、教師なしの異常に基づくディープラーニング検出システム。 リソース制約のある環境でのオンライン検出に適した畳み込みオートエンコーダ(AE)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T11:47:36Z)
• High Efficiency Pedestrian Crossing Prediction [0.0]
  歩行者の横断意図を予測する最先端の手法は、入力として複数の情報ストリームに依存することが多い。 入力には歩行者のフレームのみのネットワークを導入する。 実験は、我々のモデルが常に優れたパフォーマンスを提供することを検証します。
  論文  参考訳（メタデータ） (2022-04-04T21:37:57Z)
• Characterization of Neural Networks Automatically Mapped on Automotive-grade Microcontrollers [0.0]
  自動車用マイクロコントローラのファミリ上でニューラルネットワークモデルを実装するためのフレームワークを提案する。 本論文では,コントローラエリアネットワークバスの侵入検知とリチウムイオン電池の残存容量推定の2つのケーススタディにおいて,その効率について述べる。
  論文  参考訳（メタデータ） (2021-02-27T12:16:50Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Automatic Perturbation Analysis for Scalable Certified Robustness and Beyond [171.07853346630057]
  ニューラルネットワークに対する線形緩和に基づく摂動解析(LiRPA)は、堅牢性検証と認証防御のコアコンポーネントとなっている。 我々は任意のニューラルネットワーク構造上で摂動解析を可能にするための自動フレームワークを開発する。 我々は、Tiny ImageNetとDownscaled ImageNetのLiRPAベースの認証防御を実証する。
  論文  参考訳（メタデータ） (2020-02-28T18:47:43Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。