
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于联邦学习的车载 CAN 网络隐私保护多类入侵检测
《Scientific Reports》:Privacy-preserving multiclass intrusion detection in in-vehicle CAN networks using federated learning
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要控制器局域网(CAN)总线是现代联网汽车的主要通信骨干。然而,缺乏内置的加密和认证机制使得基于 CAN 的系统容易受到广泛网络攻击的侵害,包括欺骗、拒绝服务(DoS)和重放攻击。这些安全弱点为智能交通系统的安全运行带来了重大挑战。本文利用 CICIoT2024 数据集,提
控制器局域网(CAN)总线是现代联网汽车的主要通信骨干。然而,缺乏内置的加密和认证机制使得基于 CAN 的系统容易受到广泛网络攻击的侵害,包括欺骗、拒绝服务(DoS)和重放攻击。这些安全弱点为智能交通系统的安全运行带来了重大挑战。本文利用 CICIoT2024 数据集,提出了一种基于联邦学习的隐私保护入侵检测系统,用于 CAN 总线流量的多分类。开发了两种联邦深度学习模型,即 Fed-DLSTM 和混合 Fed CNN-BiLSTM,并在集中式和分散式训练设置下进行了评估。分散式场景通过多个客户端之间的协同训练来实现,能够在不交换原始车辆数据的情况下进行模型学习。混合 CNN-BiLSTM 架构有效地捕获了 CAN 消息中的空间相关性和时间依赖性,从而对复杂的入侵模式实现了鲁棒的检测。实验结果表明,所提出的模型实现了高检测性能,分类准确率高达 99%,并且在六类良性与恶意流量中均表现出持续优异的精确率、召回率和 F1 分数。这些结果表明,所提出的联邦框架在检测准确性和数据隐私之间提供了实用的平衡。据我们所知,本研究代表了首个在 CICIoT2024 多分类数据集上评估的基于联邦学习的入侵检测架构。所提出的方法为联网和智能车辆网络中的实时入侵检测提供了一种可扩展且隐私感知的解决方案。