仅凭可靠标签即可学习：基于LLM的ECU日志异常检测
机器学习
2025-07-03 v1
摘要
异常检测通常依赖监督或聚类方法，在汽车通信系统等专业领域效果有限，而且需要可扩展的解决方案。我们提出一种 novel 仅解码器的大语言模型（LLM）用于检测电子控制单元（ECU）通信日志中的异常。我们的解决方法针对两个关键挑战：缺乏为ECU通信定制的LLM，以及复杂且不一致的真实标签。通过学习UDP通信日志，我们将异常检测简单地形式化为识别偏离正常行为的时间。我们引入一种熵正则化技术，增加模型对已知异常的不确定性，同时在相似情景中保持一致性。我们的解决方案提供了三项novelty：解码器-only异常检测架构、处理不一致标签的方法以及一种适用于不同ECU通信用例的可适应LLM。通过利用解码器模型的生成能力，我们提出了一种新技术，解决了手动标记成本高且容易出错的难题，通过从最小示例集中学习来提高复杂通信环境中的检测准确性，提供了一个更可扩展的系统。
引用
@article{arxiv.2507.01077,
title = {Good Enough to Learn: LLM-based Anomaly Detection in ECU Logs without Reliable Labels},
author = {Bogdan Bogdan and Arina Cazacu and Laura Vasilie},
journal= {arXiv preprint arXiv:2507.01077},
year = {2025}
}
备注
6 pages, 7 figures, 4 tables, accepted to IEEE Intelligent Vehicles Symposium (IV) 2025