Signature-Over-The-Air with Transfer Learning IDS for Intelligent Connected Vehicles (ICV)
Notice bibliographique
Résumé
Intelligent Connected Vehicles (ICV) are considered the promising technology that will replace traditional vehicles soon, especially with the improvement in automation and network technologies. This gives rise to the possibility of new cyberattacks, including intra- and inter-vehicle communication attacks. This paper proposed an infrastructure-independent, Intrusion Detection System (IDS) to secure the Intra-Vehicles and external networks. The anomaly-based IDS in the model is assisted by a blacklist attacks signatures that are placed in the connected vehicles, where the signatures of the new attacks can be generated in a cloud-based security management system and updated to the network of connected vehicles using the over-the-air-update concept, so each network-connected vehicle will work as a packet inspector that helps to find the attacks log and add it to a cloud signature database. In the detection engine, Self-taught Transfer Learning (STL) is used to transfer the knowledge of a pre-trained Deep Belief Network (DBN) model from the source domain and construct a feed-forward Deep Neural Network (DNN). The comparison with baseline machine learning (ML)/deep learning (DL) algorithms shows that the proposed model achieves better performance in terms of Accuracy, Precision, Detection Rate (DR), F1-score, and Receiver Operating Characteristic (ROC).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».