一个轻量级的入侵检测方法用于CAN总线使用深度可分离的卷积Kolmogorov Arnold网络

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:

• 现代汽车越来越依赖于互联和自动驾驶系统,增加了网络安全风险.
• 现有的入侵检测系统 (IDS) 面临着不平衡的数据集和高的计算成本,阻碍了实际的汽车应用.

研究的目的:

• 为汽车网络安全开发一个强大且计算效率高的IDS.
• 在检测车辆网络攻击时解决数据不平衡问题.
• 加强IDS在互联和自动驾驶汽车中的实际部署.

主要方法:

• 利用光谱正常化生成对抗网络 (GAN) 合成异常的车载网络数据,在攻击类型和正常流量之间平衡数据集.
• 开发了一个轻量级的深度可分离的卷积科尔摩戈罗夫-阿诺德网络 (DSC-KAN),将科尔摩戈罗夫-阿诺德 (K-A) 定理纳入有效分类.
• 使用关键绩效指标对拟议的IDS与现有方法进行评估.

主要成果:

• 拟议的IDS实现了四个攻击类别和正常流量的平衡数据分布.
• 与现有方法相比,DSC-KAN模型表现出卓越的准确性和显著提高的计算效率.
• 实验结果验证了开发的IDS解决方案的有效性和实用性.

结论:

• 新的IDS方法有效地解决了汽车网络安全当前系统的局限性.
• 用于数据合成的GAN和用于分类的DSC-KAN的组合为现实世界的车辆网络安全提供了一个有前途的解决方案.
• 这项研究有助于更安全,更可靠的互联和自动驾驶技术.