論文の概要: CANMentor: A Large-Small Model Collaboration Framework for CAN Bus Intrusion Detection
- arxiv url: http://arxiv.org/abs/2611.07853v1
- Date: Thu, 05 Nov 2026 11:31:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.667476
- Title: CANMentor: A Large-Small Model Collaboration Framework for CAN Bus Intrusion Detection
- Title(参考訳): CANバス侵入検知のための大規模モデル協調フレームワークCANMentor
- Abstract要約: リソースとレイテンシの制約は、車側侵入検知システム(IDS)を軽量モデルに制限する。
より強力なモデル推論リスクのために、オリジナルのCANメッセージをクラウドにアップロードする。
我々は,クラウド側大規模言語モデル(LLM)教師がCANバス侵入検知のための車側軽量IDSモデルを監督する大規模モデル協調フレームワークであるCANMentorを提案する。
- 参考スコア(独自算出の注目度): 19.127648583071153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Controller Area Network (CAN) bus lacks built-in security mechanisms, making real-time intrusion detection necessary. However, resource and latency constraints limit vehicle-side intrusion detection systems (IDSs) to lightweight models, whose detection performance and generalization can degrade under non-independent and identically distributed (non-IID) data. Meanwhile, uploading original CAN messages to the cloud for more powerful model inference risks exposing sensitive vehicle information. We propose CANMentor, a large-small model collaboration framework in which a cloud-side large language model (LLM) teacher supervises vehicle-side lightweight IDS models for CAN bus intrusion detection. Each vehicle first performs local inference, and a privacy-aware generator then produces proxies from the original CAN messages for cloud-side teacher inference to protect data privacy. The vehicle uses the teacher prediction only when the response arrives within a prescribed latency bound and otherwise retains the local prediction; all returned teacher logits are converted into soft targets for periodic knowledge distillation. On non-IID partitions of the ROAD dataset and the HCRL Car-Hacking dataset, knowledge distillation yields maximum relative Macro F1 improvements of 25.01% and 20.79%, respectively. Teacher predictions also improve detection accuracy for CAN messages near the local decision boundary by 38.71-42.00 percentage points.
- Abstract(参考訳): Controller Area Network (CAN) バスにはセキュリティ機構が備わっていないため、リアルタイムな侵入検知が必要とされる。
しかし、リソースとレイテンシの制約により、車側侵入検知システム(IDS)は軽量モデルに制限され、検出性能と一般化は非独立かつ同一に分散された(非IID)データの下で低下する。
一方、オリジナルのCANメッセージをクラウドにアップロードし、より強力なモデル推論リスクが機密性の高い車両情報に影響を及ぼす。
我々は,クラウド側大規模言語モデル(LLM)教師がCANバス侵入検知のための車側軽量IDSモデルを監督する大規模モデル協調フレームワークであるCANMentorを提案する。
それぞれの車両がまずローカルな推論を行い、プライバシ対応ジェネレータが元のCANメッセージからプロキシを生成してクラウドサイドの教師推論を行い、データのプライバシを保護する。
車両は、応答が所定のレイテンシ境界内に到達し、それ以外は局所的な予測を保持する場合にのみ、教師予測を使用し、返却された教師ロジットはすべて、周期的な知識蒸留のためにソフトターゲットに変換される。
ROADデータセットとHCRL Car-Hackingデータセットの非IIDパーティションでは、知識蒸留によってそれぞれ25.01%と20.79%の最大相対的なマクロF1の改善が得られる。
教師の予測では、局所的な決定境界付近のCANメッセージの検出精度も38.71-42.00ポイント向上している。
関連論文リスト
- 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) - 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) - 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - DriveAdapter: Breaking the Coupling Barrier of Perception and Planning
in End-to-End Autonomous Driving [64.57963116462757]
最先端の手法は通常、教師-学生のパラダイムに従う。
学生モデルは、生のセンサーデータのみにアクセスし、教師モデルによって収集されたデータに基づいて行動クローニングを行う。
本稿では,学生(知覚)と教師(計画)モジュール間の機能アライメント目的関数を持つアダプタを用いたDriveAdapterを提案する。
論文 参考訳(メタデータ) (2023-08-01T09:21:53Z) - Comparative Study on Supervised versus Semi-supervised Machine Learning for Anomaly Detection of In-vehicle CAN Network [5.965136243028868]
本研究では,CANメッセージ異常検出のための完全教師付き機械学習と半教師付き機械学習との比較を行った。
XGBoostベースのモデルでは、最高の精度(98.65%)、精度(0.9853)、ROC AUC(0.9585)が文献で報告されている他の手法に勝っている。
論文 参考訳(メタデータ) (2022-07-21T03:50:21Z) - 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) - CANShield: Signal-based Intrusion Detection for Controller Area Networks [29.03951113836835]
CANバスの信号に基づく侵入検知フレームワークであるCANShieldを提案する。
CanShieldは、信号レベルで高次元CANデータストリームを処理するデータ前処理モジュール、複数のディープオートエンコーダネットワークで構成されるデータアナライザモジュール、それぞれ異なる時間的視点から時系列データを解析するデータアナライザモジュール、アンサンブルメソッドを使用して最終的な決定を行うアタック検出モジュールの3つのモジュールで構成されている。
論文 参考訳(メタデータ) (2022-05-03T04:52:44Z) - 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)
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。