面向互联网车辆的可扩展分层入侵检测系统
密码学与安全
2025-08-07 v1 机器学习
摘要
由于其动态、移动和无线数据传输的特性，互联网车辆 (IoV) 容易遭受各种网络威胁，包括欺骗攻击和分布式拒绝服务 (DDoS) 攻击以及恶意软件。为保护 IoV 生态系统免受入侵，入侵检测系统 (IDS) 通过持续监控和分析网络流量，以识别和缓解潜在威胁发挥着关键作用。然而，大多数现有研究仅聚焦于为 IoV 开发集中式、基于机器学习的 IDS 系统，未考虑其固有的分布性质。由于计算需求强烈，这类集中式系统往往依赖云端检测网络威胁，增加了系统响应延迟。另一方面，边缘节点通常缺乏训练和部署复杂机器学习算法的必要资源。为此，本文提出一种为 IoV 网络量身定制的有效分层分类框架。分层分类允许在不同层级上训练和测试分类器，使边缘节点能够独立检测特定类型的攻击。通过此方法，边缘节点可进行有针对性的攻击检测，同时利用云端节点进行综合威胁分析与支持。鉴于边缘节点的资源限制，我们采用 Boruta 特征选择方法以减少数据维度，优化处理效率。为评估我们提出的框架，我们采用最新的 IoV 安全数据集 CIC-IoV2024，取得了显示我们模型在保护 IoV 网络方面可行性和有效性的令人鼓舞的结果。
引用
@article{arxiv.2505.16215,
title = {A Scalable Hierarchical Intrusion Detection System for Internet of Vehicles},
author = {Md Ashraf Uddin and Nam H. Chu and Reza Rafeh and Mutaz Barika},
journal= {arXiv preprint arXiv:2505.16215},
year = {2025}
}