车载网络入侵检测系统:对基于深度学习的方法进行系统调查

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 汽车工程 汽车工程

背景情况:

• 互联和自动驾驶汽车提供了好处,但由于连接性和复杂性增加,引发了重大安全风险.
• 车载网络 (IVN) 很容易通过扩展的入口点受到恶意攻击.
• 侵入检测系统 (IDS) 对于汽车环境中的实时通信安全至关重要.

研究的目的:

• 对车载网络 (IVN) 的基于深度学习的入侵检测系统 (IDS) 进行全面审查和分类.
• 在IDS中分析各种深度学习架构的应用,性能,贡献和局限性,用于汽车安全.
• 提供对数据集偏好,特征选择以及对IVN深度IDS的未来研究途径的见解.

主要方法:

• 对车载网络的现有基于深度学习的IDS方法进行系统审查.
• 基于其应用的深度网络架构的IDS模型的细粒度分类.
• 对不同方案进行比较分析,考虑数据战略,数据集,分类技术和评估指标.

主要成果:

• 深度学习技术越来越多地用于解决IVN IDS中的隐私和安全威胁.
• 各种深度网络架构为IDS提供了不同的性能特征,贡献和限制.
• 影响深度IDS性能的关键因素包括数据策略,数据集选择和功能工程.

结论:

• 深度学习为增强车载网络对复杂网络威胁的安全提供了一个有希望的方法.
• 了解不同深度学习架构的细微差别及其应用对于有效的IDS设计至关重要.
• 需要进一步的研究来优化深度IDS用于现实世界的汽车环境,专注于数据特征和设计属性.