车载深度防御：面向车内网络综合安全的双重入侵检测系统架构

《ACM Transactions on Embedded Computing Systems》：Deep Defence on Wheels: A Dual Intrusion Detection System Architecture for Comprehensive In-Vehicle Network Security

　　## 摘要车内外连网的增加与内置安全机制的缺失，使得传统车载内部网络极易受到网络攻击。因此，大量研究致力于分析潜在攻击的影响，并由此产生了对开发有效缓解方案（如入侵检测与防御系统，IDS/IPS）至关重要的数据集。早期研究重点关注最大化攻击检测精度（针对已知和未知的攻击向量），通常依赖大型的全精度机器学习模型。然而，将 IDS 嵌入到复杂的车载电子系统中，除了精度之外，还面临检测延迟低（例如每秒 2,000 个 CAN 帧）、能效高以及在电子控制单元（ECU）资源（如硅面积、内存和处理器使用）上开销最小化等挑战。为应对这些部署约束，近期研究聚焦于轻量级机器学习模型，在保持高分类精度的同时兼顾上述实际限制。在本工作中，我们提出了一种双重 IDS 框架，包含基于监督学习和无监督学习的方案，每种方案均针对嵌入式汽车平台上的实时、资源受限部署进行了优化。我们提出了一种量化 LSTM 基的 IDS（QLSTM-IDS），在单个模型和两个常用数据集上，对拒绝服务/洪泛、模糊测试和欺骗/故障等多种攻击类型实现了超过 99.9% 的检测精度。该模型使用 brevitas 量化感知训练库进行训练，转换为与 AMD 的 FINN 工具链兼容的、具有自定义模块的数据流加速器，并使用 Vitis HLS 进行综合。此外，我们引入了一种 8 位量化卷积自编码器基的 IDS（QCAE-IDS），用于检测会改变 CAN-ID 序列模式的、此前未见过的异常，精度超过 99%。QCAE-IDS 使用 AMD 的 Vitis-AI 工具链进行量化。我们详细描述了集成架构，使两种 IDS 模型能够在单个 FPGA 设备上运行，桥接网络接口 IP 和处理器系统以最小化软件开销。QLSTM-IDS 实现了 0.25ms 的推理延迟和 0.8mJ 的能耗，QCAE-IDS 实现了 0.42ms 的延迟和 1.1mJ 的能耗，支持在高速 CAN 总线上对已知和未知攻击进行实时高效检测。两种方案均在 ZCU104 SoC（XCZU7EV FPGA）上进行了部署和评估，展示了用于保护现代车载网络的鲁棒、灵活软硬件协同设计。