面向稳健控制器-网络入侵检测的多阶段知识蒸馏 VGAE 和 GAT
机器学习
2025-08-08 v1 人工智能
摘要
控制器区域网络（CAN）协议是车辆通信的标准格式，但由于缺乏内置安全功能，仍然容易受到网络攻击。本文提出了一个多阶段入侵检测框架，利用无监督异常检测和针对汽车 CAN 流量的监督图学习。我们的体系结构将变分图自编码器（VGAE）用于结构异常检测，结合知识蒸馏图注意力网络（KD-GAT）用于稳健攻击分类。CAN 总线活动被编码为图序列，以建模时间和关系依赖。该管道应用 VGAE 基于选择性下采样来解决类别不平衡问题，随后进行 GAT 分类，可选采用得分级别融合。紧凑的学生 GAT 在参数上比教师模型降低了 96%，同时保持良好的预测性能。在六个公共 CAN 入侵数据集上进行实验——Car-Hacking、Car-Survival 和 can-train-and-test——实验结果显示，该方法在准确率和效率方面均表现出竞争力，F1 分数平均提高了 16.2%，在高度不平衡的数据集上尤其表现突出，F1 分数提升了最高可达 55%。
引用
@article{arxiv.2508.04845,
title = {Multi-Stage Knowledge-Distilled VGAE and GAT for Robust Controller-Area-Network Intrusion Detection},
author = {Robert Frenken and Sidra Ghayour Bhatti and Hanqin Zhang and Qadeer Ahmed},
journal= {arXiv preprint arXiv:2508.04845},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2507.19686 Author note: This submission is an extension of the above work by the same author