一种基于车载网络中动态时空图神经网络的混合入侵检测模型
Jingkang Zhang1, Xinjian Fan2, Zhixin Zhao1
1Institute of Automation, Qilu University of Technology (Shandong Academy of Sciences), Jinan, 250014, Shandong, China.
Scientific reports
|October 6, 2025
概括
GCN-2-Former通过有效检测内部和外部网络攻击来增强车辆互联网 (IoV) 的安全性. 这种新的时空模型显著优于现有的强大的IoV入侵检测方法.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 由于不断发展的攻击技术,车辆互联网 (IoV) 网络面临复杂的安全威胁.
- 现有的入侵检测系统 (IDS) 难以应对IoV的复杂性,缺乏空间时间依赖模型和用于各种攻击向量的混合能力.
研究的目的:
- 提出GCN-2-Former,这是一个创新的时空模型,用于在IoV环境中先进的入侵检测.
- 通过同时检测车内和外部网络攻击来解决传统IDS的局限性.
主要方法:
- 开发了GCN-2-Former,集成图形卷积网络 (GCN) 进行空间特征和变压器进行时间依赖.
- 采用滑动窗口和动态图形结构来表示网络流量作为时空图形.
- 利用图表级特征融合策略,将空间和时间特征结合起来.
主要成果:
- 在CICIDS2017数据集 (外部攻击) 上获得了99.98%的准确性和F1分数.
- 在汽车黑客数据集 (车内攻击) 上实现了100%的检测率.
- 与现有方法相比,证明了卓越的性能,稳定性和跨领域的概括性.
结论:
- GCN-2-前任为IoV安全挑战提供了高度有效的解决方案.
- 该模型能够捕捉时空依赖性和融合特征,从而提供强大的混合入侵检测.
- GCN-2-前身代表了在连接车辆网络的保护方面取得的重大进展.