Safeguarding Smart Vehicles: GNN-Powered Real- Time IDS for CAN Networks
Notice bibliographique
Résumé
With the increasing integration of Controller Area Network (CAN) in modern vehicles, securing the communication network from malicious attacks is imperative. A novel Graph Neural Network (GNN)-based Intrusion Detection System (IDS) is proposed for real-time detection of several attacks, such as Denial of Service (DOS), fuzzy, and spoofing attacks. Our proposed model represents the CAN network as a graph, where nodes correspond to message arbitration ID and edges denote the communication sequence. Using Graph Attention Networks (GAT), our model captures the intricate relationships and dependencies between Electronic Circuit Units (ECUs), in real-time, enhancing its ability to discern normal behavior from malicious activity. The key to our system's success is its emphasis on achieving real-time capabilities. The GAT architecture optimizes computational efficiency for swift analysis of CAN traffic without compromising detection accuracy. Our system minimizes model complexity for enhanced deployability in resource-constrained vehicular environments. Comprehensive experiments on a diverse dataset showcase its ability to swiftly and accurately detect a range of attacks in real-time, with an overall accuracy of 99.75% for DOS attacks, 99.50% for fuzzy attacks, and 100% for spoofing attacks. Moreover, attack detection time is calculated to be 6.76 ms for DOS, 6.79 ms for fuzzy, and 6.69 ms for spoofing. These results made the model meet real-time detection constraints.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».