车载CAN时序分类器DriveGuardAI的融合策略与对抗性方法实证评估

《IEEE Access》：DriveGuardAI: Selective Fusion and Uncertainty Calibration for In-Vehicle CAN Capture-Scenario Classification

　　

摘要：

我们研究 DriveGuardAI，一种针对车载控制器局域网（CAN）记录的时序分类器，该分类器具有选择性攻击族细化、工程特征回退、置信感知融合以及一个独立的自适应概率过滤器。可用的标签标识了分配给每个捕获的攻击场景，而不是每个 CAN 消息或窗口是否包含注入。我们在原始 100,000 行上限后的完整保留捕获数据中，针对所有符合条件的位移为零的窗口，使用记录键和窗口键重放了冻结的主检查点、专家检查点、回退检查点和融合检查点。在三个各包含 12 个捕获的划分中（128,500/130,161/130,161 个窗口），主分类器到融合分类器的宏平均 F1 分别从 0.7181 变为 0.7271，从 0.5350 变为 0.5750，以及从 0.7213 变为 0.7291。在两个划分中，配对的捕获区间包含 F1 差值中的零值；融合在所有三个划分中均增加了负对数似然，并保持捕获级别的正确性不变。一个存档的一步变换改变了置信度，但既不递归跟踪状态，也不展示对抗训练。一个单独拟合的对抗性递归标量 UKF 组在两个划分中提高了融合宏平均 F1，但在第三个划分中降低了它；其校准和文件级别的益处不一致，并且在主输出上的无对抗损失消融实验表现几乎相同。一项审计发现，原始标准化器丢弃了源注入标志，且选定的测试窗口和无键位移平均无法证实此前的全系统性能值。纠正后的证据支持在这些捕获场景任务上存在有限的选择性融合分类效果，而在校准的、操作性的入侵检测方面的优越性仍未得到确立。