中文

SoK：用于车辆网络中入侵检测的联邦学习

密码学与安全 2026-07-12 v1
作者: Yahya Shahsavari , Reza Nourmohammadi , Sara Rouhani , Kaiwen Zhang
在 arXiv 上查看 ↗ PDF ↗

摘要

现代车辆网络面临着跨越内部电子控制单元（ECU）和外部车联网（V2X）通信的不断扩大的攻击面。联邦学习（FL）已成为一种去中心化范式，用于在不损害数据隐私的情况下部署入侵检测系统（IDS）。然而，车辆FL-IDS文献存在方法论碎片化和实验设置不切实际的问题。本文提出了一项知识系统化（SoK）工作，统一了车辆攻击面的分类法，评估了FL拓扑，并映射了诸如投毒和推理攻击等对抗性威胁。通过审计60多篇出版物，我们识别了反复出现的缺陷：人为的IID数据划分、对琐碎基准的依赖、薄弱的对抗性评估，以及忽略实时CAN约束。最后，我们定义了一个前瞻性的研究议程，并概述了将车辆FL-IDS从乐观模拟过渡到安全、现实世界部署所需的最低基准要求。

关键词

联邦学习 入侵检测 车辆网络 知识系统化 对抗性攻击 基准测试

引用

@article{arxiv.2607.10914,
  title  = {SoK: Federated Learning for Intrusion Detection in Vehicular Networks},
  author = {Yahya Shahsavari and Reza Nourmohammadi and Sara Rouhani and Kaiwen Zhang},
  journal= {arXiv preprint arXiv:2607.10914},
  year   = {2026}
}