变形车载网络入侵检测：基于VAE的知识蒸馏与可解释AI
密码学与安全
2024-10-16 v2 人工智能
摘要
在自动驾驶车辆不断演变的背景下，确保车载网络（IVN）安全至关重要。本文引入一种名为KD-XVAE的高级入侵检测系统（IDS），其采用基于变分自编码器（VAE）的知识蒸馏方法以提升性能与效率。该模型显著降低复杂度，仅需1669个参数，即可实现每批次0.3毫秒的推理速度，极其适用于资源受限的汽车环境。评估基于HCRL Car-Hacking数据集，显示出色的检测能力，在包括DoS、Fuzzing、齿轮投毒和转速投毒等多种攻击类型下，均达到完美的评估指标（召回率、精确率、F1分数均为100%，误报率为0%）。与CICIoV2024数据集上的比较分析进一步彰显了其优势，完美检测指标显著优于传统机器学习模型。我们进一步集成可解释AI（XAI）技术，以确保模型决策的透明性。VAE将原始特征空间压缩至潜空间，在该潜空间上进行蒸馏模型训练。基于SHAP（Shapley Additive exPlanations）的值提供对每个潜维度重要性的洞察，并映射回原始特征，实现直观的理解。本文通过整合前沿技术，解决了在资源受限环境中部署高效、可信赖且可靠IDS以应对新兴网络威胁的关键挑战，显著提升了对自动驾驶车辆的安全防护。
引用
@article{arxiv.2410.09043,
title = {Transforming In-Vehicle Network Intrusion Detection: VAE-based Knowledge Distillation Meets Explainable AI},
author = {Muhammet Anil Yagiz and Pedram MohajerAnsari and Mert D. Pese and Polat Goktas},
journal= {arXiv preprint arXiv:2410.09043},
year = {2024}
}