論文の概要: Deep Learning-based Embedded Intrusion Detection System for Automotive
CAN
- arxiv url: http://arxiv.org/abs/2401.10674v1
- Date: Fri, 19 Jan 2024 13:13:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 15:57:12.376439
- Title: Deep Learning-based Embedded Intrusion Detection System for Automotive
CAN
- Title(参考訳): 深層学習による自動車CANの組込み侵入検知システム
- Authors: Shashwat Khandelwal, Eashan Wadhwa, Shreejith Shanker
- Abstract要約: このような脅威を検知し、対処するために、さまざまな侵入検出アプローチが提案されており、機械学習モデルは極めて効果的である。
我々は,専用ハードウェアアクセラレータを通じて,IDS機能を透過的に統合可能なFPGAベースのハイブリッドECUアプローチを提案する。
提案手法では,複数の攻撃データセットの平均精度が99%以上であり,検出レートは0.64%であった。
- 参考スコア(独自算出の注目度): 12.084121187559864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rising complexity of in-vehicle electronics is enabling new capabilities like
autonomous driving and active safety. However, rising automation also increases
risk of security threats which is compounded by lack of in-built security
measures in legacy networks like CAN, allowing attackers to observe, tamper and
modify information shared over such broadcast networks. Various intrusion
detection approaches have been proposed to detect and tackle such threats, with
machine learning models proving highly effective. However, deploying machine
learning models will require high processing power through high-end processors
or GPUs to perform them close to line rate. In this paper, we propose a hybrid
FPGA-based ECU approach that can transparently integrate IDS functionality
through a dedicated off-the-shelf hardware accelerator that implements a
deep-CNN intrusion detection model. Our results show that the proposed approach
provides an average accuracy of over 99% across multiple attack datasets with
0.64% false detection rates while consuming 94% less energy and achieving 51.8%
reduction in per-message processing latency when compared to IDS
implementations on GPUs.
- Abstract(参考訳): 自動車内電子機器の複雑さの高まりは、自動運転やアクティブセーフティなどの新しい機能を可能にしている。
しかし、自動化の増大は、canのようなレガシーネットワークにおけるビルトインセキュリティ対策の欠如により、セキュリティの脅威のリスクを増大させ、攻撃者がそのようなブロードキャストネットワーク上で共有される情報を監視、改ざん、変更することができる。
このような脅威を検知し、対処するために、さまざまな侵入検出アプローチが提案されており、機械学習モデルは極めて効果的である。
しかしながら、マシンラーニングモデルをデプロイするには、行数に近い処理を行うために、ハイエンドプロセッサやGPUによる高処理能力が必要になる。
本稿では,深部CNN侵入検出モデルを実装した専用ハードウェアアクセラレータを通じて,IDS機能を透過的に統合可能なFPGAベースのハイブリッドECU手法を提案する。
提案手法は、複数の攻撃データセットに対して平均99%以上の精度を提供し、0.64%の誤検出率を持ち、94%のエネルギーを消費し、GPU上のIDS実装と比較して、メッセージ単位の処理遅延を51.8%削減する。
関連論文リスト
- 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) - Real-Time Zero-Day Intrusion Detection System for Automotive Controller
Area Network on FPGAs [13.581341206178525]
本稿では,ゼロデイアタックを検出するための教師なし学習に基づく畳み込みオートエンコーダアーキテクチャを提案する。
資源制約のZynq Ultrascaleプラットフォームを対象としたAMD/XilinxのVitis-AIツールを用いてモデルを定量化する。
提案モデルでは, 未知のDoS, ファジング, スプーフィング攻撃に対して, 同一以上の分類精度 (>99.5%) を達成することができた。
論文 参考訳(メタデータ) (2024-01-19T14:36:01Z) - A Lightweight Multi-Attack CAN Intrusion Detection System on Hybrid
FPGAs [13.581341206178525]
コントローラエリアネットワーク(CAN)における複数攻撃ベクトルの検出において、侵入検知と緩和アプローチが有望な結果を示している。
本稿では,Zynq Ultrascale+ (XCZU3EG) FPGA上にXilinxのDeep Learning Processing Unit IPを用いて,軽量なマルチアタック量子機械学習モデルを提案する。
このモデルは、99%以上の精度でサービス拒否とファジッシング攻撃を検知し、その偽陽性率は0.07%であり、これは文学における最先端技術に匹敵するものである。
論文 参考訳(メタデータ) (2024-01-19T13:39:05Z) - AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation
Using Intelligent Sensing System [52.93806509364342]
本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。
本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。
本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
論文 参考訳(メタデータ) (2023-12-18T12:37:35Z) - Publishing Efficient On-device Models Increases Adversarial
Vulnerability [58.6975494957865]
本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。
まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。
次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
論文 参考訳(メタデータ) (2022-12-28T05:05:58Z) - Audio Anti-spoofing Using a Simple Attention Module and Joint
Optimization Based on Additive Angular Margin Loss and Meta-learning [43.519717601587864]
本研究では,畳み込み層における特徴写像に対する3次元の注意重みを推定するための単純な注意モジュールを提案する。
2進分類のための重み付き加法的角縁損失に基づく共同最適化手法を提案する。
提案手法は, プールEERが0.99%, min t-DCFが0.0289。
論文 参考訳(メタデータ) (2022-11-17T21:25:29Z) - RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency
IoT systems [41.1371349978643]
本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。
我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
論文 参考訳(メタデータ) (2022-08-27T14:50:00Z) - MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet
of Vehicles [12.280524044112708]
車両ネットワークに対する既知の攻撃と未知の攻撃の両方を検出するために,ハイブリッド侵入検知システム (IDS) を提案する。
提案システムは,CAN-Intrusion-datasetにおいて,99.99%の精度で様々な種類の既知の攻撃を検出できる。
車両レベルのマシン上の各データパケットの平均処理時間は0.6ms未満である。
論文 参考訳(メタデータ) (2021-05-26T17:36:35Z) - Clustering Algorithm to Detect Adversaries in Federated Learning [0.6091702876917281]
本稿では,クラスタリングアルゴリズムの助けを借りて敵を検出する手法を提案する。
提案手法では,クライアント側からの処理能力は必要とせず,帯域幅の超過は不要である。
我々のアプローチは、40%の敵が存在する場合でも、グローバルモデルの精度を99%まで向上させることに成功した。
論文 参考訳(メタデータ) (2021-02-22T06:49:59Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
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。