CAN bus
PulseAugur coverage of CAN bus — every cluster mentioning CAN bus across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的基于Mamba的系统可检测汽车CAN总线上的隐蔽攻击
研究人员开发了一种名为Mamba入侵检测系统（MIDS）的新型入侵检测系统，专门用于对抗车辆控制器局域网（CAN）总线上的隐蔽伪装和篡改攻击。与专注于更简单攻击的现有系统不同，MIDS利用双向选择性状态空间模型并行分析CAN标识符和有效载荷，重建其联合时间语义。MIDS在真实的Tesla Model 3和四个公开基准上进行了测试，取得了高F1分数，显著优于现有方法，并展示了其在车载实时部署的能力。
-
新的蒸馏方法增强了车辆碰撞规避AI性能
研究人员开发了一种实例感知知识蒸馏框架，以改进碰撞规避系统的半监督学习。该方法通过结合教师模型的领域先验知识和基础模型的实例中心知识来生成伪标签，旨在降低边缘部署的标注成本和计算需求。由此产生的轻量级学生模型可以实时执行多种密集预测任务，例如实例分割和单目深度估计，在分割方面优于较大的教师模型，同时保持深度估计的性能。该系统已在乡村俱乐部环境中使用自定义数据集和低成本边缘设备进行了验证。
-
新的CAN-QA基准测试LLM对车载网络流量的推理能力
研究人员推出了CAN-QA，一个新颖的问答基准，旨在分析车辆内的控制器局域网（CAN）流量。该基准将入侵检测从分类任务重新构建为问答格式，从原始CAN日志生成了超过33,000个自然语言问答对。使用CAN-QA进行的初步评估显示，当前的大型语言模型在准确分析CAN流量所需的时间推理和复杂推理方面存在困难。
-
DAIRE AI模型提供车辆网络攻击的实时检测
研究人员开发了DAIRE，这是一种轻量级AI模型，旨在检测和分类车联网（IoV）中控制器局域网（CAN）的网络攻击。该框架利用了专门的人工神经网络（ANN）架构，该架构针对实时性能和降低计算负载进行了优化。DAIRE在实验中表现出高效，在基准数据集上实现了99.88%的检测率和99.96%的准确率，每个样本的分类时间仅为0.03毫秒。