面向车载网络基于学习的入侵检测系统综述
密码学与安全
2025-05-20 v1 机器学习
摘要
联网自动驾驶汽车（CAVs）提升了出行便利性，但也面临网络安全威胁，尤其是通过不安全的控制器局域网络（CAN）总线。网络攻击在联网车辆中可能造成灾难性后果，包括丧失对关键系统的控制，因此迫切需要鲁棒的安全解决方案。车载入侵检测系统（IDSs）通过实时检测恶意活动，提供了一种有前景的方法。本综述全面回顾了基于学习的车载IDS的最新研究，重点关注机器学习（ML）、深度学习（DL）和联邦学习（FL）方法。基于所回顾的研究，我们批判性地审视了现有IDS方法，根据其检测的攻击类型——已知攻击、未知攻击以及已知-未知组合攻击——进行分类，并指出了它们的局限性。我们还回顾了研究中使用的评估指标，强调需要考量多重标准以满足安全关键型系统的要求。此外，我们分析了基于联邦学习的IDS，并强调了其局限性。通过这项工作，本综述有助于识别有效的安全措施，解决现有局限性，并指导未来研究朝着更具弹性和适应性的保护机制发展，从而确保联网与自动驾驶汽车的安全性和可靠性。
引用
@article{arxiv.2505.11551,
title = {A Survey of Learning-Based Intrusion Detection Systems for In-Vehicle Network},
author = {Muzun Althunayyan and Amir Javed and Omer Rana},
journal= {arXiv preprint arXiv:2505.11551},
year = {2025}
}