In-vehicle CAN network intrusion detection system based on TCN-AE and multi-level CGANW
Abstract
随着车载网络复杂性和互联程度的提升，控制器局域网（Controller Area Network，CAN）面临日益严峻的网络攻击风险，网络安全漏洞问题尤为突出。为满足如UNR 155等法规要求，车辆需配备高效的入侵检测系统（Intrusion Detection System，IDS）。然而，现有IDS对未知攻击的检测能力有限，亟需更为可靠的技术方案。针对上述挑战，本文提出了一种面向车载CAN网络的深度学习IDS框架。系统包括三大核心模块：（i）预处理阶段采用独热编码对原始数据进行特征表示；（ii）通过多级条件生成对抗网络（Conditional Generative Adversarial Network，CGAN）生成多样化的CAN负载数据，以缓解数据稀缺和类别不平衡问题；（iii）利用时间卷积网络自编码器（Temporal Convolutional Network Autoencoder，TCN-AE）提取多尺度时间相关特征，增强对复杂攻击的检测能力。在Car-Hacking公开数据集上的实验结果表明，本文所提出的IDS在已知攻击检测中平均准确率达99.77%（F1-score：99.49%），对未知攻击的准确率达98.50%（F1-score：98.02%）。
Fields of Study & Subjects
Network Security and Intrusion Detection
Adversarial Robustness in Machine Learning
Artificial Immune Systems Applications
Publication details
- Journal / source
- Scientia Sinica Technologica
- Volume
- 56
- Issue
- 9
- Pages
- 2283–2295
- Publication date
- 11 February 2026
- Language
- EN