論文の概要: MKF-ADS: A Multi-Knowledge Fused Anomaly Detection System for Automotive
- arxiv url: http://arxiv.org/abs/2403.04293v1
- Date: Thu, 7 Mar 2024 07:40:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 14:42:04.121381
- Title: MKF-ADS: A Multi-Knowledge Fused Anomaly Detection System for Automotive
- Title(参考訳): MKF-ADS:自動車用多知識融合異常検知システム
- Authors: Pengzhou Cheng, Zongru Wu, and Gongshen Liu
- Abstract要約: 侵入検知システム(IDS)は、制御エリアネットワーク(CAN)バスの脆弱性を修復する上で重要な安全要素である。
本稿では,MKF-IDSと呼ばれる新しいマルチ知識融合型異常検出モデルを提案する。
我々は,CANIDと時間ステップの6つのシミュレーション攻撃シナリオと,競合予測と検出性能を示す2つの実攻撃シナリオについて実験を行った。
- 参考スコア(独自算出の注目度): 9.305680247704542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the requirements of Intelligent Transport Systems (ITSs) for extensive
connectivity of Electronic Control Units (ECUs) to the outside world, safety
and security have become stringent problems. Intrusion detection systems (IDSs)
are a crucial safety component in remediating Controller Area Network (CAN) bus
vulnerabilities. However, supervised-based IDSs fail to identify complexity
attacks and anomaly-based IDSs have higher false alarms owing to capability
bottleneck. In this paper, we propose a novel multi-knowledge fused anomaly
detection model, called MKF-IDS. Specifically, the method designs an
integration framework, including spatial-temporal correlation with an attention
mechanism (STcAM) module and patch sparse-transformer module (PatchST). The
STcAM with fine-pruning uses one-dimensional convolution (Conv1D) to extract
spatial features and subsequently utilizes the Bidirectional Long Short Term
Memory (Bi-LSTM) to extract the temporal features, where the attention
mechanism will focus on the important time steps. Meanwhile, the PatchST
captures the combined long-time historical features from independent univariate
time series. Finally, the proposed method is based on knowledge distillation to
STcAM as a student model for learning intrinsic knowledge and cross the ability
to mimic PatchST. In the detection phase, the MKF-ADS only deploys STcAM to
maintain efficiency in a resource-limited IVN environment. Moreover, the
redundant noisy signal is reduced with bit flip rate and boundary decision
estimation. We conduct extensive experiments on six simulation attack scenarios
across various CAN IDs and time steps, and two real attack scenarios, which
present a competitive prediction and detection performance. Compared with the
baseline in the same paradigm, the error rate and FAR are 2.62% and 2.41% and
achieve a promising F1-score of 97.3%.
- Abstract(参考訳): 電子制御ユニット(ECU)を外部に広範囲に接続するための知的輸送システム(ITS)の要件により、安全とセキュリティは厳しい問題となっている。
侵入検知システム(IDS)は、制御エリアネットワーク(CAN)バスの脆弱性を修復する上で重要な安全要素である。
しかし、教師付きIDSは複雑性攻撃の特定に失敗し、異常ベースのIDSは機能ボトルネックのため、偽のアラームが高い。
本稿では,MKF-IDSと呼ばれる新しいマルチ知識融合型異常検出モデルを提案する。
具体的には、アテンション機構(STcAM)モジュールとパッチスパース変換モジュール(PatchST)との空間時間相関を含む統合フレームワークを設計する。
微細プルーニングを伴うSTcAMは1次元畳み込み(Conv1D)を用いて空間的特徴を抽出し、次に双方向長短期記憶(Bi-LSTM)を用いて時間的特徴を抽出し、注意機構は重要な時間ステップに集中する。
一方、PatchSTは独立した単変量時系列から長期にわたる歴史的特徴をキャプチャする。
最後に,本提案手法は,本質的な知識を学習し,PatchSTを模倣する能力を横断する学生モデルとして,STcAMへの知識蒸留に基づいている。
検出フェーズでは、MKF-ADSはSTcAMのみをデプロイし、リソース制限IVN環境で効率を維持する。
また、ビットフリップ率と境界決定推定により冗長なノイズ信号が低減される。
我々は,様々なcanidと時間ステップにまたがる6つのシミュレーション攻撃シナリオと,競合予測と検出性能を示す2つの実際の攻撃シナリオについて,広範な実験を行った。
同じパラダイムのベースラインと比較すると、エラー率は2.62%と2.41%であり、有望なf1-scoreは97.3%である。
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) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳(メタデータ) (2023-10-03T10:10:42Z) - Multi-scale Spatial-temporal Interaction Network for Video Anomaly
Detection [3.113134714967787]
ビデオ異常検出(VAD)は信号処理において不可欠な課題である。
VADのためのマルチスケール空間時間相互作用ネットワーク(MSTI-Net)を提案する。
論文 参考訳(メタデータ) (2023-06-17T02:40:29Z) - A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of
a Wind Power Dataset [2.094022863940315]
異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。
本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。
Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
論文 参考訳(メタデータ) (2023-03-17T00:24:28Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳(メタデータ) (2022-07-03T06:57:07Z) - STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion
Detection System for Intelligent Connected Vehicles [7.301018758489822]
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。
論文 参考訳(メタデータ) (2022-04-23T04:22:58Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳(メタデータ) (2020-10-02T10:41:59Z) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳(メタデータ) (2020-09-15T02:01:47Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z) - 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。