Vers des systèmes de détection d'intrusions basés sur l'IA générative pour l'Internet des véhicules (IoV)

La complexité croissante et l'échelle des réseaux de l'Internet des véhicules (IoV) posent des défis de sécurité significatifs, nécessitant le développement de systèmes avancés de détection d'intrusions (IDS). Les approches traditionnelles d'IDS, telles que les méthodes basées sur des règles et des signatures, s'avèrent souvent insuffisantes pour détecter des attaques nouvelles et sophistiquées en raison de leur adaptabilité limitée et de leur dépendance à des modèles prédéfinis. Pour surmonter ces limitations, des IDS basés sur l'apprentissage automatique (ML) et l'apprentissage profond (DL) ont été introduits, offrant une meilleure généralisation et la capacité d'apprendre à partir des données. Cependant, ces modèles peuvent encore rencontrer des difficultés avec les attaques de type zero-day, nécessitent de grands volumes de données étiquetées et peuvent être vulnérables à des exemples adversariaux. En réponse à ces défis, des IDS basés sur l'IA générative—s'appuyant sur des modèles tels que les réseaux antagonistes génératifs (GAN), les autoencodeurs variationnels (VAE) et les transformateurs—ont émergé comme des solutions prometteuses offrant une meilleure adaptabilité, génération de données synthétiques pour l'entraînement, et capacités de détection améliorées pour les menaces évolutives. Cette enquête fournit un aperçu de l'architecture de l'IoV, des vulnérabilités et des techniques classiques d'IDS tout en se concentrant sur le rôle croissant de l'IA générative dans le renforcement de la sécurité de l'IoV. Elle discute du paysage actuel, met en lumière les défis clés et esquisse les directions futures de recherche visant à construire des IDS plus résilients et intelligents pour l'écosystème IoV.