論文の概要: Towards Ultra-Low Latency: Binarized Neural Network Architectures for In-Vehicle Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2511.00828v1
• Date: Sun, 02 Nov 2025 06:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.955486
• Title: Towards Ultra-Low Latency: Binarized Neural Network Architectures for In-Vehicle Network Intrusion Detection
• Title（参考訳）: 超低レイテンシに向けて:車載ネットワーク侵入検出のための二元化ニューラルネットワークアーキテクチャ
• Authors: Huiyao Dong, Igor Kotenko,
• Abstract要約: 本稿では,二元化ニューラルネットワーク(BNN)を用いた軽量侵入検出手法を提案する。 メッセージIDや周波数などの非バイナリ機能を統合するためのハイブリッドバイナリ符号化技術を開発した。 提案手法は、車載侵入検知に最適化されたBNNフレームワークと、非負荷属性に対するハイブリッドバイナリ量子化技術を組み合わせたもので、異常検出とマルチクラスネットワークトラフィック分類において有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Control Area Network (CAN) protocol is essential for in-vehicle communication, facilitating high-speed data exchange among Electronic Control Units (ECUs). However, its inherent design lacks robust security features, rendering vehicles susceptible to cyberattacks. While recent research has investigated machine learning and deep learning techniques to enhance network security, their practical applicability remains uncertain. This paper presents a lightweight intrusion detection technique based on Binarized Neural Networks (BNNs), which utilizes payload data, message IDs, and CAN message frequencies for effective intrusion detection. Additionally, we develop hybrid binary encoding techniques to integrate non-binary features, such as message IDs and frequencies. The proposed method, namely the BNN framework specifically optimized for in-vehicle intrusion detection combined with hybrid binary quantization techniques for non-payload attributes, demonstrates efficacy in both anomaly detection and multi-class network traffic classification. The system is well-suited for deployment on micro-controllers and Gateway ECUs, aligning with the real-time requirements of CAN bus safety applications.
• Abstract（参考訳）: 制御エリアネットワーク(CAN)プロトコルは車内通信に必須であり、電子制御ユニット(ECU)間の高速データ交換を容易にする。 しかし、その固有の設計には堅牢なセキュリティ機能がなく、車両はサイバー攻撃を受けやすい。 近年の研究では、ネットワークセキュリティを強化するための機械学習とディープラーニング技術について研究されているが、実用性はまだ不明である。 本稿では、ペイロードデータ、メッセージID、CANメッセージ周波数を利用して効果的な侵入検出を行うBNN(Binarized Neural Networks)に基づく軽量な侵入検出手法を提案する。 さらに、メッセージIDや周波数などの非バイナリ機能を統合するためのハイブリッドバイナリ符号化技術を開発した。 提案手法は,特に車載侵入検知に最適化されたBNNフレームワークと,非負荷属性に対するハイブリッドバイナリ量子化手法を組み合わせることで,異常検出とマルチクラスネットワークトラフィック分類に有効であることを示す。 このシステムはマイクロコントローラやゲートウェイECUへのデプロイに適しており、CANバス安全アプリケーションのリアルタイム要件に合わせている。

関連論文リスト

• CANDoSA: A Hardware Performance Counter-Based Intrusion Detection System for DoS Attacks on Automotive CAN bus [45.24207460381396]
  本稿では,制御領域ネットワーク(CAN)環境向けに設計された新しい侵入検知システム(IDS)を提案する。 RISC-VベースのCAN受信機はgem5シミュレータを用いてシミュレートされ、AES-128暗号化によるCANフレームペイロードをFreeRTOSタスクとして処理する。 結果は、このアプローチがCANセキュリティを大幅に改善し、自動車サイバーセキュリティにおける新たな課題に対処する可能性があることを示唆している。
  論文  参考訳（メタデータ） (2025-07-19T20:09:52Z)
• SDN-Based False Data Detection With Its Mitigation and Machine Learning Robustness for In-Vehicle Networks [4.329477624773496]
  本稿では,車載ネットワークを対象としたFDDMS(False Data Detection and Mitigation System)を提案する。 FDDMSは、偽データインジェクション攻撃をリアルタイムで監視し、検出するように設計されている。
  論文  参考訳（メタデータ） (2025-06-06T22:09:36Z)
• A Dynamic Transformer Network for Vehicle Detection [57.4144097001218]
  車両検出のための動的トランスフォーマーネットワーク(DTNet)を提案する。 DTNetは動的畳み込みを利用してディープネットワークを誘導し、重量を動的に生成し、得られた検出器の適応性を高める。 画像アカウントにおける差の欠点を克服するため、変換変分畳み込みは、取得した車両検出構造情報を洗練するために、空間的位置情報に依存する。
  論文  参考訳（メタデータ） (2025-06-03T11:29:35Z)
• CNN+Transformer Based Anomaly Traffic Detection in UAV Networks for Emergency Rescue [12.074051347588963]
  ソフトウェア定義ネットワーク(SDN)フレームワークとブロックチェーン技術に基づく,UAVネットワークのための新しい異常トラフィック検出アーキテクチャを提案する。 畳み込みニューラルネットワーク(CNN)とトランスフォーマー(CNN+Transformer)を組み合わせた,異常なトラフィック検出のための統合アルゴリズムを開発し,CTranATDと呼ぶ。
  論文  参考訳（メタデータ） (2025-03-26T09:27:26Z)
• Graph Neural Networks and Deep Reinforcement Learning Based Resource Allocation for V2X Communications [43.443526528832145]
  本稿では,グラフニューラルネットワーク(GNN)と深層強化学習(DRL)を統合する手法を提案する。 通信リンクをノードとする動的グラフを構築することにより、V2V通信における高い成功率を確保することを目指している。 提案手法は,GNNのグローバルな特徴学習能力を維持し,分散ネットワーク展開をサポートする。
  論文  参考訳（メタデータ） (2024-07-09T03:14:11Z)
• 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)
• GCNIDS: Graph Convolutional Network-Based Intrusion Detection System for CAN Bus [0.0]
  本稿では,GCN(Graph Convolutional Network)技術を利用して,CANバス内の侵入者検出に革新的なアプローチを提案する。 実験結果から,提案手法が既存のIDSよりも精度,精度,リコールに優れていることが確認された。 提案手法は、現代の車両の安全性と安全性の確保に大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-09-18T21:42:09Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• 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)
• An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks [0.0]
  我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。 本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。 提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
  論文  参考訳（メタデータ） (2022-04-28T23:10:47Z)
• Binary DAD-Net: Binarized Driveable Area Detection Network for Autonomous Driving [94.40107679615618]
  本稿では,二項化駆動型領域検出ネットワーク(バイナリDAD-Net)を提案する。 エンコーダ、ボトルネック、デコーダ部分の2重みとアクティベーションのみを使用する。 パブリックデータセット上で、最先端のセマンティックセグメンテーションネットワークより優れています。
  論文  参考訳（メタデータ） (2020-06-15T07:09:01Z)

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。