論文の概要: SoK: Federated Learning for Intrusion Detection in Vehicular Networks
- arxiv url: http://arxiv.org/abs/2607.10914v1
- Date: Sun, 12 Jul 2026 20:40:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.565718
- Title: SoK: Federated Learning for Intrusion Detection in Vehicular Networks
- Title（参考訳）: SoK:Vehicular Networkにおける侵入検知のためのフェデレーション学習
- Abstract要約: 現代の車両ネットワークは、内部の電子制御ユニット(ECU)と外部のV2X通信にまたがる攻撃面が拡大している。
フェデレートラーニング(FL)は、データプライバシーを損なうことなく侵入検知システム(IDS)をデプロイするための分散パラダイムとして登場した。
本稿では、車両攻撃面の分類を統一し、FLトポロジーを評価し、毒や推論攻撃などの敵の脅威をマップする知識体系化(SoK)を提案する。
- 参考スコア（独自算出の注目度）: 1.176565404005321
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Modern vehicular networks face an expanding attack surface across internal Electronic Control Units (ECUs) and external Vehicle-to-Everything (V2X) communication. Federated Learning (FL) has emerged as a decentralized paradigm to deploy Intrusion Detection Systems (IDS) without compromising data privacy. However, the vehicular FL-IDS literature suffers from fragmented methodologies and unrealistic experimental setups. This paper presents a Systematization of Knowledge (SoK) that unifies the taxonomy of vehicular attack surfaces, evaluates FL topologies, and maps adversarial threats such as poisoning and inference attacks. By auditing over 60 publications, we identify recurring pitfalls: artificial IID data splits, reliance on trivial benchmarks, weak adversarial evaluation, and omission of real-time CAN constraints. Finally, we define a forward-looking research agenda and outline minimum benchmarking requirements necessary to transition vehicular FL-IDS from optimistic simulations to secure, real-world deployment.
- Abstract（参考訳）: 現代の車両ネットワークは、内部の電子制御ユニット(ECU)と外部のV2X通信にまたがる攻撃面が拡大している。
フェデレートラーニング(FL)は、データプライバシーを損なうことなく侵入検知システム(IDS)をデプロイするための分散パラダイムとして登場した。
しかし、車体FL-IDSの文献は断片化された手法と非現実的な実験装置に悩まされている。
本稿では、車両攻撃面の分類を統一し、FLトポロジーを評価し、毒や推論攻撃などの敵の脅威をマップする知識体系化(SoK)を提案する。
60以上の出版物を監査することにより、人工IDデータ分割、自明なベンチマークへの依存、弱い敵評価、リアルタイムCAN制約の欠落など、繰り返し発生する落とし穴を識別する。
最後に,前向きな研究課題を定義し,車載FL-IDSを楽観的なシミュレーションから安全な実世界の展開に移行するために必要な最小ベンチマーク要件を概説する。
関連論文リスト
- VIPS: Vehicle-Infrastructure Cooperative Planning Benchmark via Pseudo-Simulation [50.18051979020699]
VIPSは擬似シミュレーションに基づくV2I設定における協調自動運転のベンチマークである。
CoS-V2Xはスパース表現に基づく協調計画フレームワークである。
論文 参考訳（メタデータ） (2026-09-02T11:32:52Z) - AI Slop and Hallucinations in Vulnerability Assessment: A Survey on Reasoning Failures and Trustworthy Mitigation [48.55515767840701]
AIスロープ(AI slop)は、アーティファクト、幻覚的脆弱性、可視だが正しくないパッチ、セマンティックに再パッケージされたバグレポートである。
本稿では,実証的証拠を調査し,統一メカニズムを特定し,信頼に値するトリアージへの道筋をたどる。
論文 参考訳（メタデータ） (2026-08-26T11:48:38Z) - 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) - Evaluating the Impact of Privacy-Preserving Federated Learning on CAN Intrusion Detection [5.9186175166428345]
本研究は,車載車載ネットワークにおける機械学習による侵入検出プロセスにフェデレートラーニング戦略を統合することの効果について検討する。
LSTMオートエンコーダに基づく制御領域ネットワーク(CAN)のためのIDS(State-of-the-the-art Intrusion Detection System)を提案する。
論文 参考訳（メタデータ） (2025-06-05T12:49:22Z) - CANTXSec: A Deterministic Intrusion Detection and Prevention System for CAN Bus Monitoring ECU Activations [53.036288487863786]
物理ECUアクティベーションに基づく最初の決定論的侵入検知・防止システムであるCANTXSecを提案する。
CANバスの古典的な攻撃を検知・防止し、文献では調査されていない高度な攻撃を検知する。
物理テストベッド上での解法の有効性を実証し,攻撃の両クラスにおいて100%検出精度を達成し,100%のFIAを防止した。
論文 参考訳（メタデータ） (2025-05-14T13:37:07Z) - Poisoning Attacks on Federated Learning-based Wireless Traffic Prediction [4.968718867282096]
Federated Learning (FL)は、複数の基地局でグローバルコントロールモデルをトレーニングするための分散フレームワークを提供する。
これは、無線トラフィック予測(WTP)のようなアプリケーションにとって理想的であり、ネットワークリソースの最適化において重要な役割を果たす。
FLベースの分散無線システムのセキュリティ面、特に回帰ベースのWTP問題については、その約束にもかかわらず、不適切な調査が続けられている。
論文 参考訳（メタデータ） (2024-04-22T17:50:27Z) - Enabling Privacy-Preserving Cyber Threat Detection with Federated Learning [4.475514208635884]
本研究は, プライバシー保護型サイバー脅威検出のための学習の可能性について, 有効性, ビザンチンレジリエンス, 効率の観点から, 体系的に検証した。
FLトレーニングされた検出モデルは、中央訓練された検出モデルに匹敵する性能が得られることを示す。
現実的な脅威モデルの下では、FLはデータ中毒とモデル中毒の両方の攻撃に対して抵抗性があることが判明した。
論文 参考訳（メタデータ） (2024-04-08T01:16:56Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - 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) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Federated Learning for Intrusion Detection System: Concepts, Challenges
and Future Directions [0.20236506875465865]
侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。
本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
論文 参考訳（メタデータ） (2021-06-16T13:13:04Z)
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。