用于人工智能驱动自动驾驶中异常检测的Comp-TSSs方案

《ACM Transactions on Autonomous and Adaptive Systems》：The Comp-TSSs Scheme for Anomaly Detection in AI-Powered Autonomous Driving

车辆网络安全与AI自动驾驶的结合研究，提出基于张量主成分分析（TPCA）的Comp-TSSs方法，通过重构和正则化统计项提升异常流量检测能力，构建非参数实时监测框架，实验验证其在多维度相关性分析下具有高精度、低误报和快速响应特性。

　　

摘要

鉴于车辆网络容易受到安全攻击，以及安全的人工智能驱动自动驾驶系统的关键性，本文重点讨论了人工智能驱动自动驾驶车辆中车辆网络的安全问题。本文提出了一种名为Comp-TSSs的新型互补张量统计方法，用于统计描述车辆网络中正常流量实例与异常流量实例之间的差异。该统计方法通过结合从TPCA（通过全新视角对协方差张量进行完全对角化而扩展得到的PCA）中衍生出的重构和正则化统计项，增强了车辆网络的安全性。Comp-TSSs能够有效捕捉车辆网络流量数据中的多维相关性，为表示残差和投影到主张量子空间中的实例的加权距离提供了补充度量。在Comp-TSSs的基础上，开发了一个非参数统计框架，用于实时检测各种流量异常情况，从而确保人工智能驱动自动驾驶的安全性。文中还提供了关于其检测性能和参数选择的理论分析。通过对合成数据集和真实世界数据集的大量实验验证，证明了我们的车辆网络安全监控系统在人工智能驱动自动驾驶车辆中的优越性：该系统具有更高的真阳性率、更低的误报率以及最小的检测延迟，即使在同时存在能量异常和方差异常的情况下也是如此。