Toward Real-Time Intrusion Detection for Autonomous Vehicles: A Vision for Deep Learning-Based Security Frameworks
Notice bibliographique
Résumé
Background: AI-driven autonomous vehicles (AVs) combine machine learning, control systems, and embedded technologies, creating significant software engineering challenges, especially in securing cyber-physical systems. Intrusion Detection Systems (IDS) are essential for detecting anomalies and cyberattacks in real time, thereby safeguarding AV operations. Aims: This vision paper aims to design and implement deep learning-based IDSs specifically tailored for real-time anomaly detection in autonomous drones, cars, and robots. Method: The approach begins with the development of platform-specific taxonomies of AV software vulnerabilities and a formal threat model. Controlled experiments will then be conducted using both physical aerial and ground vehicles, as well as industrial-grade simulators, in network-connected and isolated environments to generate labeled datasets of AV anomalies. These datasets will be used to design, train, and customize IDSs for each AV platform, which will subsequently be deployed on physical devices for evaluation under realistic conditions. Results: The work is expected to produce comprehensive taxonomies of AV software vulnerabilities, multiple labeled datasets capturing both normal and compromised AV behaviors, and a set of validated, deployable IDS frameworks tailored to various AV platforms. Conclusions: This study addresses core empirical software engineering challenges, such as the sim-to-real transfer gap in machine learning, risks of overfitting in data-driven IDS models, and hardware-software integration complexities. The anticipated outcome is a robust family of IDS solutions that enhance AV security in dynamic operational environments.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».