面向汽车以太网的深度学习基于 intrusion detection：评估与优化低成本平台上的快速推断技术
机器学习
2025-07-03 v1 密码学与安全
摘要
现代车辆日益连接，汽车以太网是为车辆内部通信提供必要基础设施的技术之一。然而，这些系统可能遭受攻击，可能严重危及安全，包括流量注入攻击。深度学习基于 intrusion detection 系统（IDS）常用于解决此问题，但它们需要昂贵的硬件才能实时运行。在本工作中，我们提出评估并应用快速神经网络推断技术，如知识蒸馏和剪枝，用于在低成本平台上部署 IDS 模型以实现实时检测。结果表明，这些技术可实现最高为727微秒的 intrusion 检测时间，AUCROC 值为0.9890。
引用
@article{arxiv.2507.01208,
title = {Deep Learning-Based Intrusion Detection for Automotive Ethernet: Evaluating & Optimizing Fast Inference Techniques for Deployment on Low-Cost Platform},
author = {Pedro R. X. Carmo and Igor de Moura and Assis T. de Oliveira Filho and Djamel Sadok and Cleber Zanchettin},
journal= {arXiv preprint arXiv:2507.01208},
year = {2025}
}