論文の概要: KD-GAT: Combining Knowledge Distillation and Graph Attention Transformer for a Controller Area Network Intrusion Detection System

• arxiv url: http://arxiv.org/abs/2507.19686v1
• Date: Fri, 25 Jul 2025 21:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:55.963768
• Title: KD-GAT: Combining Knowledge Distillation and Graph Attention Transformer for a Controller Area Network Intrusion Detection System
• Title（参考訳）: KD-GAT:制御領域ネットワーク侵入検知システムのための知識蒸留とグラフ注意変換器の組み合わせ
• Authors: Robert Frenken, Sidra Ghayour Bhatti, Hanqin Zhang, Qadeer Ahmed,
• Abstract要約: コントローラエリアネットワーク(CAN)プロトコルは車内通信に広く採用されているが、固有のセキュリティ機構がない。 本稿では,グラフ注意ネットワーク(GAT)と知識蒸留を組み合わせた侵入検知フレームワークであるKD-GATを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Controller Area Network (CAN) protocol is widely adopted for in-vehicle communication but lacks inherent security mechanisms, making it vulnerable to cyberattacks. This paper introduces KD-GAT, an intrusion detection framework that combines Graph Attention Networks (GATs) with knowledge distillation (KD) to enhance detection accuracy while reducing computational complexity. In our approach, CAN traffic is represented as graphs using a sliding window to capture temporal and relational patterns. A multi-layer GAT with jumping knowledge aggregation acting as the teacher model, while a compact student GAT--only 6.32% the size of the teacher--is trained via a two-phase process involving supervised pretraining and knowledge distillation with both soft and hard label supervision. Experiments on three benchmark datasets--Car-Hacking, Car-Survival, and can-train-and-test demonstrate that both teacher and student models achieve strong results, with the student model attaining 99.97% and 99.31% accuracy on Car-Hacking and Car-Survival, respectively. However, significant class imbalance in can-train-and-test has led to reduced performance for both models on this dataset. Addressing this imbalance remains an important direction for future work.
• Abstract（参考訳）: Controller Area Network(CAN)プロトコルは、車内通信に広く採用されているが、固有のセキュリティ機構がないため、サイバー攻撃に弱い。 本稿では,グラフ注意ネットワーク(GAT)と知識蒸留(KD)を組み合わせた侵入検出フレームワークであるKD-GATについて述べる。 提案手法では,CANトラフィックをスライディングウィンドウを用いてグラフとして表現し,時間的および関係的なパターンを捉える。 教師モデルとして機能するジャンプ知識集約型多層GATと,ソフトラベルとハードラベルの両監督による指導前訓練と知識蒸留を含む2段階のプロセスを通じて,小型のGAT(教師の6.32%)を訓練した。 Car-Hacking、Car-Survival、can-train-and-testの3つのベンチマークデータセットの実験では、教師モデルと学生モデルの両方が、Car-HackingとCar-Survivalでそれぞれ99.97%、99.31%の精度を達成した。 しかし、can-train-and-testにおける大きなクラス不均衡は、このデータセット上の両方のモデルのパフォーマンスを低下させた。 この不均衡に対処することは、将来の仕事にとって重要な方向である。

関連論文リスト

• Multi-Stage Knowledge-Distilled VGAE and GAT for Robust Controller-Area-Network Intrusion Detection [0.0]
  Controller Area Network (CAN) プロトコルは車内通信の標準であるが、内蔵セキュリティの欠如によりサイバー攻撃を受けやすい。 本稿では,自動車CANトラフィックに適した教師なし異常検出と教師付きグラフ学習を利用した多段階侵入検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-06T19:50:26Z)
• Efficient Self-Supervised Neuro-Analytic Visual Servoing for Real-time Quadrotor Control [7.791675745811072]
  この研究は、教師による神経分析、コスト効率、視覚ベースの四元数制御モデルを導入し、小さな1.7MパラメーターのConvNetが分析教師から自動的に学習する。 視覚のみの自己教師型神経分析制御は、明示的な幾何学的モデルやフィデューシャルマーカーを必要とせず、四面体方向と運動を可能にする。
  論文  参考訳（メタデータ） (2025-07-26T09:17:38Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Enhancing IoT-Botnet Detection using Variational Auto-encoder and Cost-Sensitive Learning: A Deep Learning Approach for Imbalanced Datasets [0.0]
  本研究では,可変オートエンコーダ(VAE)とコスト感受性学習を活用して,IoTボットネット検出モデルを開発した。 目的は、機械学習モデルでしばしば見逃されるマイノリティクラス攻撃トラフィックインスタンスの検出を強化することである。
  論文  参考訳（メタデータ） (2025-04-26T02:04:30Z)
• Knowledge Distillation Neural Network for Predicting Car-following Behaviour of Human-driven and Autonomous Vehicles [2.099922236065961]
  本研究では,混合交通におけるHDV-AV,AV-HDV,HDV-HDVの自動車追従挙動について検討した。 本稿では,車追従動作を速度的に予測するための,データ駆動型知識蒸留ニューラルネットワーク(KDNN)モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-08T14:57:59Z)
• 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)
• CrossKD: Cross-Head Knowledge Distillation for Object Detection [69.16346256926842]
  知識蒸留(KD)は、コンパクト物体検出器の学習に有効なモデル圧縮技術として検証されている。 そこで本研究では,学生の検知ヘッドの中間的特徴を教師の検知ヘッドに伝達する,CrossKDと呼ばれる蒸留方式を模倣する予測手法を提案する。 われわれのCrossKDはGFL ResNet-50の平均精度を40.2から43.7に向上させ、既存のKD手法を上回ります。
  論文  参考訳（メタデータ） (2023-06-20T08:19:51Z)
• Certified Interpretability Robustness for Class Activation Mapping [77.58769591550225]
  本稿では,解釈可能性マップのためのCORGI(Certifiable prOvable Robustness Guarantees)を提案する。 CORGIは入力画像を取り込み、そのCAM解釈可能性マップのロバスト性に対する証明可能な下限を与えるアルゴリズムである。 交通標識データを用いたケーススタディによるCORGIの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-26T18:58:11Z)
• Directed Acyclic Graph Factorization Machines for CTR Prediction via Knowledge Distillation [65.62538699160085]
  本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。 KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-11-21T03:09:42Z)
• Supervised Contrastive ResNet and Transfer Learning for the In-vehicle Intrusion Detection System [0.22843885788439797]
  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。
  論文  参考訳（メタデータ） (2022-07-18T05:34:55Z)
• How and When Adversarial Robustness Transfers in Knowledge Distillation? [137.11016173468457]
  本稿では,教師モデルから学生モデルへの知識蒸留(KD)における対向ロバスト性の移行について検討する。 我々は,標準的なKDトレーニングが対向的堅牢性を維持するのに失敗することを示すとともに,KDIGA(入力勾配アライメント)を併用したKDを提案する。 特定の前提の下では、提案したKDIGAを用いた学生モデルは、少なくとも教師モデルと同じ確証された堅牢性を達成することができることを証明している。
  論文  参考訳（メタデータ） (2021-10-22T21:30:53Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)

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。