车轮上的纵深防御：面向全面车载网络安全的双重入侵检测系统架构

arXiv:2610.07489v1 公告类型：交叉收录 摘要：与外部世界日益增强的连接以及内置安全机制的缺失，使传统车内网络容易遭受网络攻击。早期研究侧重于最大限度地提高对已知和未知攻击的检测准确率，通常采用大型全精度机器学习模型。然而，将入侵检测系统（IDS）嵌入车载电子系统，还要求较低的检测延迟、高能效以及极低的电子控制单元（ECU）资源开销，以处理每秒约 2,000 个 CAN 帧。轻量级模型必须在准确率与这些部署约束之间取得平衡。我们提出了一种双重 IDS 框架，包含分别基于监督学习和无监督学习的解决方案，两者均针对实时、资源受限的汽车平台进行了优化。基于量化 LSTM 的 IDS（QLSTM-IDS）采用单一模型架构，在两个广泛使用的数据集上进行评估，对 DoS/洪泛、模糊测试和欺骗/故障攻击的检测准确率超过 99.9%。该模型使用 Brevitas 量化感知训练库进行训练，通过与 AMD 的 FINN 工具链兼容的自定义模块转换为数据流加速器，并使用 Vitis HLS 进行综合。作为补充，基于 8 位量化卷积自编码器的 IDS（QCAE-IDS）使用 AMD 的 Vitis-AI 工具链进行量化，能够以超过 99% 的准确率检测此前未见的、改变 CAN-ID 序列模式的异常。一种集成架构使两个模型能够在单个 FPGA 上运行，并桥接网络接口 IP 与处理系统，以最大限度地减少软件开销。QLSTM-IDS 的每条消息推理延迟为 0.25 ms，能耗为 0.8 mJ；QCAE-IDS 的每个数据块推理延迟为 0.42 ms，能耗为 1.1 mJ。两种解决方案均在 ZCU104 SoC（XCZU7EV FPGA）上进行了部署和评估，展示了一种灵活的软硬件协同设计，可实时检测高速 CAN 总线上的已知和未知攻击。