A Machine Learning Model to Predict Cyberattacks in Connected and Autonomous Vehicles
Notice bibliographique
Résumé
Connected and autonomous vehicles (CAVs) are largely at the experimental stage. Their successful deployment and field implementation require a careful consideration of their vulnerabilities to cyberattacks. The primary security vulnerability is in the controller area network (CAN) protocol, which permits communication among electronic control units in CAVs. To address this vulnerability and mitigate cyberattacks, machine learning (ML) algorithms can be developed for intrusion detection in CAV's CAN protocol. In this research, the data structure of certain experimental datasets on message injection attack from the Hacking and Countermeasure Research Lab is examined. A random forest classifier-based ML model is developed owing to its efficiency in predicting cyberattacks on CAVs consisting of over 3 million datasets. A number of procedures within the Python programming environment are employed to clean the dataset before performing the prediction. The prediction for intrusion detection is performed with a 70:30 split of the training: testing data with a random state of 11 and number of estimators as 200. The accuracy is found to be over 92% for all three scenarios in performing the prediction. The model can be deployed in real-time investigation of cyberattacks in CAVs if real-time data were available. The data cleaning method developed in this study can be applied in other ML applications consisting of large datasets, such as credit card fraud and drug discovery, to name a few.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».