Un taux de faux positifs nul d'IDS basé sur le Swin Transformer pour les réseaux hybrides de véhicules automobiles.

Les véhicules définis par logiciel (SDV) rendent les systèmes automobiles plus intelligents et adaptables, et cette transformation repose sur des réseaux hybrides de véhicules automobiles qui font appel à plusieurs protocoles utilisant l'Ethernet automobile (AE) ou un réseau de zone de contrôle (CAN). De nombreux chercheurs ont développé des systèmes de détection d'intrusion (IDS) spécifiques basés sur ResNet18, VGG16 et Inception pour l'AE ou les CAN, afin d'améliorer la confidentialité et l'intégrité. Bien que ces IDS puissent être étendus aux réseaux hybrides de véhicules automobiles, ces méthodes négligent souvent les exigences de traitement en temps réel et de minimisation du taux de faux positifs (FPR), ce qui peut entraîner des problèmes de sécurité et de fiabilité. Par conséquent, nous avons introduit un IDS basé sur le Swin Transformer pour renforcer la fiabilité et la sécurité des réseaux hybrides de véhicules automobiles. Tout d'abord, plusieurs messages de l'assemblage du trafic sont transformés en images et compressés via la transformation en ondelettes discrètes à deux dimensions (2D DWT) pour minimiser les paramètres. Deuxièmement, le Swin Transformer est déployé pour extraire des caractéristiques spatiales et séquentielles afin d'identifier les motifs anormaux grâce à son mécanisme d'attention. Pour comparer de manière équitable, nous avons ré-implémenté des modèles de réseau conventionnels à jour, y compris ResNet18, VGG16 et Inception. Les résultats ont montré que notre méthode pouvait détecter des attaques avec une précision de 99,82 % et un FPR de 0, ce qui a permis d'économiser 14,32 % des coûts temporels et d'améliorer la précision de 1,60 % par rapport à VGG16 lors du traitement de 512 messages.