スマートカーのための深層学習に基づく侵入検知システム

現代の車両におけるスマートおよび自律機能の統合が進む中、新たなサイバーセキュリティの課題が浮上しています。特に、車両間通信および制御システムに関してです。本論文では、スマートカーにおけるサイバー攻撃をリアルタイムで特定し分類するために設計された深層学習に基づく侵入検知システムを提案します。このシステムは、車両のCANバス、センサー、および通信モジュールから収集されたデータを活用して、データスプーフィング、サービス妨害（DoS）、信号ジャミング、そして中間者攻撃（MitM）などの一般的な攻撃タイプに関連する異常を検出します。畳み込みニューラルネットワーク（CNN）、再帰ニューラルネットワーク（RNN）、および長短期記憶ネットワーク（LSTM）の3つの深層学習モデルが実装され、ラベル付けされたデータセットで評価されます。実験結果は、LSTMモデルが精度（98.1%）およびF1スコア（97.9%）の面でCNNおよびRNNを上回ることを示しており、特に逐次的かつ時間依存の攻撃を検出するのに効果的です。提案するシステムは強い適応性、低い検出遅延、および接続車両環境におけるリアルタイム展開の可能性を示し、安全なインテリジェント交通システムの発展に貢献します。