LiPar：一种用于实际车载网络入侵检测的轻量级并行学习模型

随着智能交通系统的发展，车辆暴露于复杂的网络环境中。作为车载网络的主要网络，控制器局域网络（CAN）存在诸多潜在安全隐患，因而对入侵检测系统提出了更高的泛化能力和更轻量的安全需求以保障安全。在入侵检测技术中，基于深度学习的方法无需先验专家知识即可取得最佳效果。然而，它们模型规模庞大且通常依赖云计算等大量算力，因此不适合部署在车载网络上。为此，我们探索车载网络中的计算资源分配方案，并提出一种轻量级并行神经网络结构 LiPar，其通过增强对车载通信流正常与异常模式的泛化识别能力来实现有效入侵检测，同时提升有限计算资源的利用率。特别地，LiPar 根据计算设备的实时资源占用情况评估其是否适合承担分支计算任务，从而将任务负载自适应分配至车载计算设备，如多个电子控制单元、域控制器、计算网关。通过实验，我们证明 LiPar 具备优异的检测性能、运行效率和轻量模型规模，能够很好地实际适配车载环境并保护车载 CAN 总线安全。此外，仅采用常见的多维分支卷积网络进行检测，LiPar 在时空特征融合学习方面具有高度的泛化潜力。