論文の概要: Multi-Stage Knowledge-Distilled VGAE and GAT for Robust Controller-Area-Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2508.04845v1
• Date: Wed, 06 Aug 2025 19:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.631794
• Title: Multi-Stage Knowledge-Distilled VGAE and GAT for Robust Controller-Area-Network Intrusion Detection
• Title（参考訳）: ロバスト制御回路網侵入検出のための多段階知識拡張VGAEとGAT
• Authors: Robert Frenken, Sidra Ghayour Bhatti, Hanqin Zhang, Qadeer Ahmed,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Controller Area Network (CAN) protocol is a standard for in-vehicle communication but remains susceptible to cyber-attacks due to its lack of built-in security. This paper presents a multi-stage intrusion detection framework leveraging unsupervised anomaly detection and supervised graph learning tailored for automotive CAN traffic. Our architecture combines a Variational Graph Autoencoder (VGAE) for structural anomaly detection with a Knowledge-Distilled Graph Attention Network (KD-GAT) for robust attack classification. CAN bus activity is encoded as graph sequences to model temporal and relational dependencies. The pipeline applies VGAE-based selective undersampling to address class imbalance, followed by GAT classification with optional score-level fusion. The compact student GAT achieves 96% parameter reduction compared to the teacher model while maintaining strong predictive performance. Experiments on six public CAN intrusion datasets--Car-Hacking, Car-Survival, and can-train-and-test--demonstrate competitive accuracy and efficiency, with average improvements of 16.2% in F1-score over existing methods, particularly excelling on highly imbalanced datasets with up to 55% F1-score improvements.
• Abstract（参考訳）: 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。 我々のアーキテクチャは、構造異常検出のための変分グラフオートエンコーダ(VGAE)と、堅牢な攻撃分類のための知識拡散グラフアテンションネットワーク(KD-GAT)を組み合わせる。 CANバスのアクティビティは、時間的および関係的な依存関係をモデル化するためのグラフシーケンスとして符号化される。 パイプラインはVGAEベースの選択的アンダーサンプリングを適用してクラス不均衡に対処し、次いで任意のスコアレベル融合を伴うGAT分類を行う。 コンパクトな学生GATは、教師モデルと比較して96%のパラメータ削減を実現し、高い予測性能を維持した。 Car-Hacking、Car-Survival、can-train-and-test-demonstrate competitive accuracy and efficiency, with average improve of 16.2% in F1-score than existing method, 特に55% F1-scoreの改善を伴う高度にバランスのとれたデータセットに優れた6つの公開CAN侵入データセット(Car-Hacking、Car-Survival、can-train-and-test-demonstrate competitive accuracy and efficiency)の実験が行われた。

関連論文リスト

• KD-GAT: Combining Knowledge Distillation and Graph Attention Transformer for a Controller Area Network Intrusion Detection System [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-25T21:45:58Z)
• 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)
• CAGN-GAT Fusion: A Hybrid Contrastive Attentive Graph Neural Network for Network Intrusion Detection [0.7067443325368975]
  コントラスト型注意グラフネットワークとグラフ注意ネットワーク(CAGN-GAT Fusion)の融合を提案する。 グラフニューラルネットワーク(GNN)と従来のMLモデルの両方を含む15のモデルと比較した。 結果から,CAGN-GAT Fusionは,データセット毎に最高の性能を達成できないにも関わらず,安定かつ競争力のある精度,リコール,F1スコアを示すことがわかった。
  論文  参考訳（メタデータ） (2025-03-02T17:01:00Z)
• Graph-Powered Defense: Controller Area Network Intrusion Detection for Unmanned Aerial Vehicles [7.333490062088133]
  無人航空機(UAV)はサイバー攻撃に対して、特に制御エリアネットワーク(CAN)バスでは十分に頑丈ではない。 本研究では,新しいグラフベースの侵入検知システムを開発することにより,UAVの最も重要なセキュリティ脆弱性を解決することに注力する。 我々は,CANバス上でのサイバー攻撃を検出するために,様々なグラフベース機械学習モデルを適用した。
  論文  参考訳（メタデータ） (2024-12-03T16:32:57Z)
• Detecting Masquerade Attacks in Controller Area Networks Using Graph Machine Learning [0.2812395851874055]
  本稿では,グラフ機械学習(ML)を用いたCANバスにおけるマスクレード攻撃検出のための新しいフレームワークを提案する。 本稿では,CANバスフレームをメッセージシーケンスグラフ(MSG)として表現し,時系列からコンテキスト統計属性を付加することにより,検出能力を向上できることを示す。 提案手法は,CANフレームの相互作用を包括的かつ動的に解析し,ロバスト性や効率性を向上する。
  論文  参考訳（メタデータ） (2024-08-10T04:17:58Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• 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)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。