系统综述: 连接式自动驾驶车辆中的异常检测
机器学习
2024-05-07 v1
摘要
本系统综述聚焦于连接式自动驾驶车辆中的异常检测。初始数据库检索识别出 2160 篇文章，经严格筛选和评估后，203 篇文章被纳入本综述。本研究发现，最常用于异常检测的人工智能算法包括类神经网络，如 LSTM、CNN 和自编码器，另外还有一种是单类 SVM。大多数基于异常的模型是使用真实世界运行中的车辆数据进行训练的，尽管异常（如攻击和故障）常被人工注入数据集中。这些模型的评估主要使用五个关键评估指标：召回率、准确率、精确率、F1 分数和误报率。用于异常检测模型的最常用的评估指标选择包括准确率、精确率、召回率和 F1 分数。本系统综述提出了若干建议。首先，需要纳入多种评估指标，以全面评估异常检测模型。其次，仅有少数研究将其模型开源，这表明需要公开分享模型，以便在研究社区内协作，并有效验证和比较研究发现。第三，需要开发带有预定义异常或网络攻击的基准数据集，以测试和提高所提出异常检测模型的有效性。此外，需要进一步研究将异常检测部署到车辆中，以评估其在实际道路上的性能。值得注意的是，针对 CAN 协议之外的不同协议（如以太网和 FlexRay）的入侵检测系统的研究数量较少。
引用
@article{arxiv.2405.02731,
title = {Systematic Review: Anomaly Detection in Connected and Autonomous Vehicles},
author = {J. R. V. Solaas and N. Tuptuk and E. Mariconti},
journal= {arXiv preprint arXiv:2405.02731},
year = {2024}
}
备注
17 pages, 2 tables, 5 figures