論文の概要: Deep Defence on Wheels: A Dual Intrusion Detection System Architecture for Comprehensive In-Vehicle Network Security
- arxiv url: http://arxiv.org/abs/2610.07489v1
- Date: Mon, 05 Oct 2026 22:52:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.699331
- Title: Deep Defence on Wheels: A Dual Intrusion Detection System Architecture for Comprehensive In-Vehicle Network Security
- Title（参考訳）: 車輪の深部防御:車載ネットワークの総合セキュリティのための二重侵入検知システムアーキテクチャ
- Abstract要約: 外部との接続性の向上により、車内ネットワークはサイバー攻撃に脆弱になっている。
IDSを車載電子システムに埋め込むには、低検出レイテンシ、エネルギー効率、最小の電子制御ユニット(ECU)リソースオーバーヘッドも必要である。
本稿では,リアルタイムな資源制約のある自動車プラットフォームに最適化された,教師付きおよび教師なし学習ベースのソリューションからなるデュアルIDS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）: 14.484745002483258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Increasing connectivity to the outside world and the lack of inbuilt security mechanisms have made legacy intra-vehicular networks vulnerable to cyberattacks. Initial research focused on maximising detection accuracy for known and unknown attacks, often using large, full-precision machine learning models. However, embedding IDSs into vehicular electronic systems also requires low detection latency, energy efficiency and minimal electronic control unit (ECU) resource overhead to process about 2,000 CAN frames/s. Lightweight models must balance accuracy with these deployment constraints. We propose a dual IDS framework comprising supervised and unsupervised learning-based solutions, each optimised for real-time, resource-constrained automotive platforms. A quantised LSTM-based IDS (QLSTM-IDS) achieves over 99.9% detection accuracy for DoS/Flooding, Fuzzing and Spoofing/Malfunction attacks using a single model architecture evaluated on two widely used datasets. The model is trained using the Brevitas quantisation-aware training library, transformed into a dataflow accelerator with custom blocks compatible with AMD's FINN toolchain, and synthesised using Vitis HLS. Complementing this, an 8-bit quantised convolutional autoencoder-based IDS (QCAE-IDS), quantised using AMD's Vitis-AI toolchain, detects previously unseen anomalies that alter CAN-ID sequence patterns with over 99% accuracy. An integration architecture enables both models to operate on a single FPGA, bridging the network interface IP and processing system to minimise software overhead. QLSTM-IDS achieves 0.25 ms inference latency and 0.8 mJ energy consumption per message, while QCAE-IDS achieves 0.42 ms and 1.1 mJ per block. Both solutions are deployed and evaluated on the ZCU104 SoC (XCZU7EV FPGA), demonstrating a flexible hardware/software co-design for real-time detection of known and unknown attacks on high-speed CAN buses.
- Abstract（参考訳）: 外部との接続性の向上と、組み込まれたセキュリティ機構の欠如により、旧来の車両内ネットワークはサイバー攻撃に脆弱になっている。
初期の研究では、未知の攻撃に対する検出精度の最大化に焦点が当てられ、多くの場合、大規模で完全精度の機械学習モデルを使用していた。
しかし、車載電子システムにIDSを埋め込むには、約2,000のCANフレーム/秒を処理するために、低検出レイテンシ、エネルギー効率、最小の電子制御ユニット(ECU)リソースオーバーヘッドが必要となる。
軽量モデルは、これらのデプロイメント制約と正確さをバランスさせなければなりません。
本稿では,リアルタイムな資源制約のある自動車プラットフォームに最適化された,教師付きおよび教師なし学習ベースのソリューションからなるデュアルIDSフレームワークを提案する。
量子LSTMベースのIDS(QLSTM-IDS)は、2つの広く使用されているデータセットで評価された単一のモデルアーキテクチャを用いて、DoS/Flooding, Fuzzing, Spoofing/Malfunction攻撃の99.9%以上の検出精度を達成する。
このモデルはBrvitas量子化対応トレーニングライブラリを使用してトレーニングされ、AMDのFINNツールチェーンと互換性のあるカスタムブロックを持つデータフローアクセラレータに変換され、Vitis HLSを使用して合成される。
AMDのVitis-AIツールチェーンを用いて量子化された8ビットの量子化された畳み込みオートエンコーダベースのIDS(QCAE-IDS)は、CAN-IDシーケンスパターンを99%以上の精度で変更した、これまで目に見えない異常を検出する。
統合アーキテクチャにより、両方のモデルが単一のFPGA上で動作し、ネットワークインターフェースIPと処理システムをブリッジすることで、ソフトウェアのオーバーヘッドを最小限に抑えることができる。
QLSTM-IDSは1メッセージあたり0.25msの推論遅延と0.8mJのエネルギー消費を達成する一方、QCAE-IDSは1ブロック当たり0.42msと1.1mJを達成する。
両ソリューションは、ZCU104 SoC (XCZU7EV FPGA) 上にデプロイされ、高速CANバスに対する既知の未知の攻撃をリアルタイムに検出するための柔軟なハードウェア/ソフトウェアの共同設計を実証する。
関連論文リスト
- GenAI for Energy-Efficient and Interference-Aware Compressed Sensing of GNSS Signals on a Google Edge TPU [37.74014735747033]
本稿では,ジェネレーション人工知能(GenAI)を用いたジャミング脅威の圧縮と分類手法を提案する。
提案手法は,ハードウェアレシーバ上でのデータストリームを直接効率よく圧縮し,同時にジャミングとスプーフィングの攻撃をリアルタイムで分類する。
ハードウェア中心のGenAIアプローチは、ジャマー信号伝送コストを大幅に削減し、干渉軽減のための実用的なソリューションを提供する。
論文 参考訳（メタデータ） (2026-05-14T13:43:55Z) - Decentralized Multi-Agent Swarms for Autonomous Grid Security in Industrial IoT: A Consensus-based Approach [0.0]
DMASエージェントは軽量なピアツーピアプロトコルを介して通信し、異常な振る舞いを協調的に検出する。
エージェントは特定された脅威の脅威レベルに投票し、妥協されたノードやノードの即時隔離を可能にする。
DMASは、ミリ秒以下の応答時間、高負荷下で悪意のある活動を検出する精度97.3%、ゼロデイ攻撃を検出する精度87%を示した。
論文 参考訳（メタデータ） (2026-01-24T04:25:36Z) - Think Fast: Real-Time IoT Intrusion Reasoning Using IDS and LLMs at the Edge Gateway [5.541753997410371]
本稿では、軽量機械学習(ML)ベースのIDSモデルと事前学習された大規模言語モデル(LLM)を統合したエッジ中心の侵入検知システム(IDS)について述べる。
このシステムは、決定木(DT)、K-Nearest Neighbors(KNN)、ランダムフォレスト(RF)、畳み込みニューラルネットワーク(CNN)、Long Short-Term Memory(LSTM)、低消費電力エッジゲートウェイ上のハイブリッドCNN-LSTMモデルの6つのMLベースIDSモデルを評価する。
異常検出のために、システムは低帯域APIコールを介してコンパクトでセキュアなテレメトリスナップショットをLSMに送信する。
論文 参考訳（メタデータ） (2025-11-23T00:33:51Z) - Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。
Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。
軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
論文 参考訳（メタデータ） (2024-06-04T20:36:21Z) - 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) - 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) - A Lightweight Multi-Attack CAN Intrusion Detection System on Hybrid
FPGAs [13.581341206178525]
コントローラエリアネットワーク(CAN)における複数攻撃ベクトルの検出において、侵入検知と緩和アプローチが有望な結果を示している。
本稿では,Zynq Ultrascale+ (XCZU3EG) FPGA上にXilinxのDeep Learning Processing Unit IPを用いて,軽量なマルチアタック量子機械学習モデルを提案する。
このモデルは、99%以上の精度でサービス拒否とファジッシング攻撃を検知し、その偽陽性率は0.07%であり、これは文学における最先端技術に匹敵するものである。
論文 参考訳（メタデータ） (2024-01-19T13:39:05Z) - ViT Unified: Joint Fingerprint Recognition and Presentation Attack
Detection [36.05807963935458]
我々は、視覚変換器のアーキテクチャを、関節スプーフ検出とマッチングに活用する。
我々は、シーケンシャルシステムと統一アーキテクチャの両方に対して、最先端のSOTA(State-of-the-art)モデルによる競合結果を報告する。
We demonstrate the capabilities of our unified model to achieve a average integrated matching (IM) accuracy of 98.87% across LivDet 2013 and 2015 CrossMatch sensor。
論文 参考訳（メタデータ） (2023-05-12T16:51:14Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Hardware-Centric AutoML for Mixed-Precision Quantization [34.39845532939529]
従来の量子化アルゴリズムは、異なるハードウェアアーキテクチャを無視し、すべてのレイヤを均一に量子化する。
本稿では、強化学習を利用して量子化ポリシーを自動的に決定するハードウェア・アウェア自動量子化(HAQ)フレームワークを紹介する。
本フレームワークは, 固定ビット幅(8ビット)の量子化と比較して, 遅延を1.4-1.95x, エネルギー消費を1.9x削減した。
論文 参考訳（メタデータ） (2020-08-11T17:30:22Z) - Deep Anomaly Detection for Time-series Data in Industrial IoT: A
Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。
まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。
次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。
第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
論文 参考訳（メタデータ） (2020-07-19T16:47:26Z)
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。