LSF-IDM：具有轻量归因与语义融合的车载入侵检测模型

自动驾驶汽车（AVs）由于车辆与外部网络间的高连通性与多样化通信模式，更易受网络攻击。基于深度学习的入侵检测作为检测网络攻击的有效方法，可为车辆提供功能安全与实时通信保障，因而被广泛应用于 AVs。现有方法对简单模式等网络攻击效果良好，但当攻击隐藏于上下文特征中且需在资源受限环境下运行时，误报率较高。本文提出一种具有轻量归因与语义融合的新型车载入侵检测模型，命名为 LSF-IDM。我们的动机基于如下观察：当恶意数据包注入车载网络（IVNs）时，由于 CAN 总线的周期性与广播特性，数据包日志呈现出严格的上下文特征顺序。因此，该模型首先通过 BERT 语言框架将上下文捕获为消息的语义特征。随后，轻量模型（如 BiLSTM）基于知识蒸馏，从输入包的分类及其在 BERT 中的输出分布学习融合特征。实验结果证明了我们的方法在防御 IVNs 中若干代表性攻击方面的有效性。我们还对提出的方法与轻量模型及 Bert 进行了差异分析，以深入理解模型如何平衡检测性能与模型复杂度。