論文の概要: DAIRE: A lightweight AI model for real-time detection of Controller Area Network attacks in the Internet of Vehicles

• arxiv url: http://arxiv.org/abs/2604.20771v1
• Date: Wed, 22 Apr 2026 16:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.243955
• Title: DAIRE: A lightweight AI model for real-time detection of Controller Area Network attacks in the Internet of Vehicles
• Title（参考訳）: DAIRE: 車両インターネットにおけるコントローラエリアネットワーク攻撃のリアルタイム検出のための軽量AIモデル
• Authors: Shahid Alam, Amina Jameel, Zahida Parveen, Ehab Alnfrawy, Adeela Ashraf, Raza Uddin, Jamal Aqib,
• Abstract要約: DAIRE(Detecting Attacks in IoV in REal-time)は、リアルタイム検出とCAN攻撃の分類を目的とした機械学習フレームワークである。 DAIREは1サンプルあたり0.03ミリ秒の分類時間で、推論速度において最先端のアプローチよりも著しく優れている。 これらの結果は、車載システムにおけるIoVサイバー攻撃の検出におけるDAIREの有効性と、リアルタイムな展開に適した実用性を強調した。
• 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 Internet of Vehicles (IoV) is advancing modern transportation by improving safety, efficiency, and intelligence. However, the reliance on the Controller Area Network (CAN) introduces critical security risks, as CAN-based communication is highly vulnerable to cyberattacks. Addressing this challenge, we propose DAIRE (Detecting Attacks in IoV in REal-time), a lightweight machine learning framework designed for real-time detection and classification of CAN attacks. DAIRE is built on a lightweight artificial neural network (ANN) where each layer contains Ni = i x c neurons, with Ni representing the number of neurons in the ith layer and c corresponding to the total number of attack classes. Other hyperparameters are determined empirically to ensure real-time operation. To support the detection and classification of various IoV attacks, such as Denial-of-Service, Fuzzy, and Spoofing, DAIRE employs the sparse categorical cross-entropy loss function and root mean square propagation for loss minimization. In contrast to more resource-intensive architectures, DAIRE leverages a lightweight ANN to reduce computational demands while still delivering strong performance. Experimental results on the CICIoV2024 and Car-Hacking datasets demonstrate DAIRE's effectiveness, achieving an average detection rate of 99.88%, a false positive rate of 0.02%, and an overall accuracy of 99.96%. Furthermore, DAIRE significantly outperforms state-of-the-art approaches in inference speed, with a classification time of just 0.03 ms per sample. These results highlight DAIRE's effectiveness in detecting IoV cyberattacks and its practical suitability for real-time deployment in vehicular systems, underscoring its vital role in strengthening automotive cybersecurity.
• Abstract（参考訳）: インターネット・オブ・ビークルズ(IoV)は、安全、効率、知性を改善して近代的な輸送を推進している。 しかし、コントローラエリアネットワーク(CAN)への依存は、CANベースの通信がサイバー攻撃に対して非常に脆弱であるため、重大なセキュリティリスクをもたらす。 DAIRE(Detecting Attacks in IoV in REal-time)は,CAN攻撃のリアルタイム検出と分類を目的とした,軽量な機械学習フレームワークである。 DAIREは軽量な人工知能ニューラルネットワーク(ANN)上に構築されており、各層はNi = ixcのニューロンを含み、Niはith層のニューロン数を表し、cは攻撃クラスの総数に対応する。 他のハイパーパラメータは、リアルタイム操作を保証するために経験的に決定される。 Denial-of-Service, Fuzzy, Spoofingなどの様々なIoV攻撃の検出と分類を支援するため、DAIREでは、損失最小化のために、スパースカテゴリーのクロスエントロピー損失関数とルート平均二乗伝播を用いる。 リソース集約型アーキテクチャとは対照的に、DAIREは軽量のANNを活用して、強力なパフォーマンスを提供しながら、計算要求を減らす。 CICIoV2024とCar-Hackingデータセットの実験結果は、DAIREの有効性を示し、平均検出率は99.88%、偽陽性率は0.02%、全体的な精度は99.96%である。 さらに、DAIREは1サンプルあたり0.03ミリ秒の分類時間で、推論速度における最先端のアプローチよりも著しく優れている。 これらの結果は、車載システムにおけるIoVサイバー攻撃の検出におけるDAIREの有効性と、リアルタイムな展開に適した実用性を強調し、自動車サイバーセキュリティの強化における重要な役割を浮き彫りにした。

関連論文リスト

• Neurosymbolic Learning for Advanced Persistent Threat Detection under Extreme Class Imbalance [29.991707658663188]
  本稿では,最適化されたBERTモデルと論理テンソルネットワーク(LTN)を統合し,無線IoTネットワークにおける説明可能なAPT検出を実現するニューロシンボリックアーキテクチャを提案する。 その結果, ニューロシンボリック学習はIoTネットワーク監視アーキテクチャの高性能, 解釈可能, 動作可能なAPT検出を可能にすることがわかった。
  論文  参考訳（メタデータ） (2026-02-28T04:25:50Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks [0.5505634045241287]
  既存のセキュリティスキームでは、車両の大規模ネットワークの10ms未満の異常検出と分散調整ができない。 本稿では,リアルタイムな局所脅威検出と分散協調操作を分離する3層ハイブリッドセキュリティアーキテクチャであるHAVENを紹介する。 エッジ上の光アンサンブル異常検出モデル、Byzantine-fault-tolerant Federated Learningを使用して、地域規模の脅威インテリジェンスを集約する、重要なセキュリティ調整を保証するための選択されたブロックチェーンメカニズムが含まれている。
  論文  参考訳（メタデータ） (2025-11-16T15:30:46Z)
• Zero-Day Botnet Attack Detection in IoV: A Modular Approach Using Isolation Forests and Particle Swarm Optimization [5.283060049860749]
  ボットのマルウェアとサイバー攻撃は、コネクテッドと自律走行車に重大なリスクをもたらす。 CAV間のネットワークトラフィックをモニタするエッジベース侵入検知システム(IDS)を提案する。
  論文  参考訳（メタデータ） (2025-04-26T05:57:03Z)
• MDHP-Net: Detecting an Emerging Time-exciting Threat in IVN [42.74889568823579]
  我々は車載ネットワーク(IVN)に対する新たな時間的脅威モデルを特定する。 これらの攻撃は、タイムエキサイティングな効果を示す悪意のあるメッセージを注入し、徐々にネットワークトラフィックを操作して車両の動作を妨害し、安全クリティカルな機能を損なう。 時間的脅威を検出するため,MDHP-Netを導入し,Multi-Dimentional Hawkes Process(MDHP)と時間的・メッセージ的特徴抽出構造を利用した。
  論文  参考訳（メタデータ） (2025-04-16T08:41:24Z)
• Efficient Denial of Service Attack Detection in IoT using Kolmogorov-Arnold Networks [22.036794530902608]
  本稿では,KAN(Kolmogorov-Arnold Networks)に基づくDoS攻撃検出の新しい軽量アプローチを提案する。 Kanは、最小限のリソース要件を維持しながら、最先端の検知性能を達成する。 既存のソリューションと比較して、kanは競合検出率を維持しながら、メモリ要求を最大98%削減する。
  論文  参考訳（メタデータ） (2025-02-03T21:19:46Z)
• MDHP-Net: Detecting an Emerging Time-exciting Threat in IVN [42.74889568823579]
  我々は車載ネットワーク(IVN)に対する新たな時間的脅威モデルを特定する。 これらの攻撃は、タイムエキサイティングな効果を示す悪意のあるメッセージを注入し、徐々にネットワークトラフィックを操作して車両の動作を妨害し、安全クリティカルな機能を損なう。 時間的脅威を検出するため,MDHP-Netを導入し,Multi-Dimentional Hawkes Process(MDHP)と時間的・メッセージ的特徴抽出構造を利用した。
  論文  参考訳（メタデータ） (2024-11-15T15:05:01Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• 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)
• Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
  モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。 既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。 我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
  論文  参考訳（メタデータ） (2023-06-06T14:19:23Z)

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。