Transforming In-Vehicle Network Intrusion Detection: VAE-based Knowledge Distillation Meets Explainable AI

📄 arXiv: 2410.09043v2 📥 PDF

作者: Muhammet Anil Yagiz, Pedram MohajerAnsari, Mert D. Pese, Polat Goktas

分类: cs.CR, cs.AI

发布日期: 2024-10-11 (更新: 2024-10-15)

💡 一句话要点

提出基于VAE知识蒸馏和可解释AI的KD-XVAE，用于车载网络入侵检测。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 车载网络安全 入侵检测系统 变分自编码器 知识蒸馏 可解释AI SHAP值 自动驾驶

📋 核心要点

  1. 车载网络安全面临日益严峻的挑战，现有入侵检测系统在资源受限环境下难以兼顾性能与效率。
  2. KD-XVAE利用VAE进行特征压缩和知识蒸馏，将复杂模型知识迁移到轻量级模型，提升检测效率。
  3. 实验表明，KD-XVAE在多个数据集上实现了优异的检测性能，并集成了XAI技术增强模型可解释性。

📝 摘要（中文）

本文提出了一种名为KD-XVAE的先进入侵检测系统(IDS)，用于增强车载网络(IVN)的安全性。该系统采用基于变分自编码器(VAE)的知识蒸馏方法，显著降低了模型复杂度，仅使用1669个参数，推理时间为每批0.3毫秒，非常适合资源受限的汽车环境。在HCRL Car-Hacking数据集上的评估表明，该模型在多种攻击类型（包括DoS、Fuzzing、Gear Spoofing和RPM Spoofing）下均达到了完美的检测效果（召回率、精确率、F1 Score均为100%，FNR为0%）。在CICIoV2024数据集上的对比分析进一步证实了其优于传统机器学习模型的性能，实现了完美的检测指标。此外，我们还集成了可解释AI(XAI)技术，以确保模型决策的透明性。VAE将原始特征空间压缩到潜在空间，并在该空间上训练蒸馏模型。SHAP值提供了对每个潜在维度重要性的洞察，并映射回原始特征以实现直观理解。本文通过整合最先进的技术，解决了高效、可信和可靠的IDS在自动驾驶汽车部署中的关键挑战，从而增强了对新兴网络威胁的防护。

🔬 方法详解

问题定义：论文旨在解决自动驾驶汽车中车载网络入侵检测问题。现有方法通常计算复杂度高，难以在资源受限的车载环境中部署，并且缺乏可解释性，难以信任其决策。

核心思路：论文的核心思路是利用VAE进行特征降维和知识蒸馏，将复杂模型的知识迁移到轻量级模型，从而在保证检测性能的同时，降低计算复杂度，提高部署可行性。同时，结合XAI技术，提高模型决策的透明度和可解释性。

技术框架：KD-XVAE的整体架构包含以下几个主要模块：1) VAE：用于将原始特征空间压缩到低维潜在空间。2) 蒸馏模型：在VAE的潜在空间上训练，学习VAE提取的特征表示。3) XAI模块：利用SHAP值分析潜在空间中每个维度的重要性，并映射回原始特征，提供可解释性。

关键创新：该方法的主要创新在于将VAE知识蒸馏与XAI技术相结合，实现了高效、可解释的车载网络入侵检测。与传统方法相比，KD-XVAE在保证检测性能的同时，显著降低了模型复杂度，并提供了对模型决策的解释。

关键设计：VAE采用标准结构，损失函数包括重构损失和KL散度。蒸馏模型采用轻量级神经网络结构，损失函数为交叉熵损失。SHAP值用于解释潜在空间中每个维度的重要性，并映射回原始特征，以提供可解释性。

📊 实验亮点

KD-XVAE在HCRL Car-Hacking数据集上实现了完美的检测效果，召回率、精确率和F1 Score均为100%，FNR为0%。在CICIoV2024数据集上的对比分析表明，KD-XVAE优于传统的机器学习模型。该模型仅使用1669个参数，推理时间为每批0.3毫秒，非常适合资源受限的汽车环境。

🎯 应用场景

该研究成果可应用于自动驾驶汽车、智能网联汽车等领域，用于实时监测和防御车载网络中的恶意攻击，保障车辆的安全可靠运行。此外，该方法也可推广到其他资源受限环境下的入侵检测系统，例如物联网设备等。未来，该研究有望推动车载网络安全技术的进步，为自动驾驶汽车的普及提供更可靠的安全保障。

📄 摘要（原文）

In the evolving landscape of autonomous vehicles, ensuring robust in-vehicle network (IVN) security is paramount. This paper introduces an advanced intrusion detection system (IDS) called KD-XVAE that uses a Variational Autoencoder (VAE)-based knowledge distillation approach to enhance both performance and efficiency. Our model significantly reduces complexity, operating with just 1669 parameters and achieving an inference time of 0.3 ms per batch, making it highly suitable for resource-constrained automotive environments. Evaluations in the HCRL Car-Hacking dataset demonstrate exceptional capabilities, attaining perfect scores (Recall, Precision, F1 Score of 100%, and FNR of 0%) under multiple attack types, including DoS, Fuzzing, Gear Spoofing, and RPM Spoofing. Comparative analysis on the CICIoV2024 dataset further underscores its superiority over traditional machine learning models, achieving perfect detection metrics. We furthermore integrate Explainable AI (XAI) techniques to ensure transparency in the model's decisions. The VAE compresses the original feature space into a latent space, on which the distilled model is trained. SHAP(SHapley Additive exPlanations) values provide insights into the importance of each latent dimension, mapped back to original features for intuitive understanding. Our paper advances the field by integrating state-of-the-art techniques, addressing critical challenges in the deployment of efficient, trustworthy, and reliable IDSes for autonomous vehicles, ensuring enhanced protection against emerging cyber threats.