CAN Bus 异常检测的最优级联特征级时空融合策略
机器学习
2025-06-09 v3 人工智能
密码学与安全
摘要
智能交通系统 (ITS) 在现代基础设施中发挥着关键作用，但由于控制区域网络 (CAN)总线的广播特性，面临安全风险。虽然已提出许多机器学习模型和策略来检测 CAN 异常，但现有方法缺乏鲁棒性评估，且未能全面检测攻击，因为其关注点集中在异常的子集主导结构上。为克服这些限制，本研究提出了一种级联特征级时空融合框架，通过两种参数遗传算法 (2P-GA) 优化的级联架构整合空间特征和时间特征，以覆盖所有主导异常结构。大量配对 t 检验分析确认，该模型实现了 0.9987 的 AUC-ROC，证明其具备稳健的异常检测能力。空间模块提高约 4% 的精度，而时间模块补偿召回率损失，确保高真阳性率。该框架在 CAR-HACKING 数据集上以 100% 准确率检测所有攻击类型，超越了当前最先进的方法。这项研究为解决实际 CAN 安全挑战提供了经过验证的稳健解决方案。
引用
@article{arxiv.2501.18821,
title = {An Optimal Cascade Feature-Level Spatiotemporal Fusion Strategy for Anomaly Detection in CAN Bus},
author = {Mohammad Fatahi and Danial Sadrian Zadeh and Benyamin Ghojogh and Behzad Moshiri and Otman Basir},
journal= {arXiv preprint arXiv:2501.18821},
year = {2025}
}
备注
v3: updated the text and graphs