LCSMC-Net:通过可分离的多尺度卷积和注意力轻量级CAN入侵检测.
Mengdi Hou1,2, Bitie Lan1, Chenghua Tang2
1School of Electronic Information and Artificial Intelligence, Wuzhou University, Wuzhou 543000, China.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了LCSMC-Net,这是一种新的,超轻量级的神经网络,用于检测控制器区域网络 (CAN) 系统的入侵. 它以最小的计算资源提供高精度,使安全的车辆网络成为可能.
科学领域:
- 汽车网络安全 汽车网络安全
- 嵌入式系统 AI 嵌入式系统
- 深度学习用于网络安全
背景情况:
- 控制器区域网络 (CAN) 协议缺乏固有的安全性,使车辆容易受到网络攻击.
- 现有的深度学习入侵检测系统对于汽车微控制器来说,计算密集度过高.
- 为车载网络提供高效的嵌入式安全解决方案至关重要.
研究的目的:
- 提出LCSMC-Net,一种超轻量级的神经网络架构,用于在资源有限的CAN环境中进行入侵检测.
- 为汽车网络安全开发实用和高效的边缘人工智能解决方案.
- 解决嵌入式汽车系统当前深度学习模型的局限性.
主要方法:
- 开发了可分离的多尺度Convolution Lite (SMC-Lite) 块,以实现高效的特征提取.
- 实现轻量级频道-时间注意力 (LCTA) 具有线性复杂性,用于适应性修剪.
- 利用了6维CAN优化功能来进行积极的数据压缩.
- 采用贝叶斯式超参数优化和知识蒸用于模型压缩.
主要成果:
- 在CAN和CAN-FD数据集上,LCSMC-Net实现了99.89%的准确性.
- 该模型只有9401个参数和2.84M个FLOP,大大降低了计算负载.
- 在效率和准确性方面,超越了现有的入侵检测解决方案.
- 在汽车级微控制器上实时部署的可行性.
结论:
- LCSMC-Net提供了一个可行的边缘AI解决方案,用于保护CAN网络免受入侵.
- 拟议的架构满足了汽车嵌入式系统严格的实时和资源限制.
- 这项研究使得先进的AI驱动安全在现代车辆中的实际部署成为可能.
