《Chinese Journal of Electronics》：Towards Secure In-Vehicle Communication: Surveying CAN and Automotive Ethernet Threats, Standards, and Detection Techniques
编辑推荐：
随着现代车辆演变为愈发互联和自主的系统，车内网络的安全已成为关键关注点。控制器局域网（CAN）总线和汽车以太网是车辆内使用的两种主要通信协议，各自具有独特的数据结构和相关威胁模型。本综述全面概述了这两种网络，详细介绍了它们的数据特征、已知漏洞和公开可用数据集。
随着现代车辆演变为愈发互联和自主的系统，车内网络的安全已成为关键关注点。控制器局域网（CAN）总线和汽车以太网是车辆内使用的两种主要通信协议，各自具有独特的数据结构和相关威胁模型。本综述全面概述了这两种网络，详细介绍了它们的数据特征、已知漏洞和公开可用数据集。此外，研究人员概括了全球汽车网络安全标准和法规的格局，强调了行业间标准化安全实践的努力。在此基础上，研究人员系统回顾了现有的针对CAN的入侵检测系统（IDS），包括基于电压的物理层方法、基于规则和人工智能驱动的检测技术，以及新兴的云-车协同框架。同时，研究人员也审查了专为汽车以太网定制的最先进入侵检测策略。本综述的一个关键创新在于其整合性视角，该视角连接了物理层分析、智能检测算法和基于云的架构，涵盖了CAN和以太网两个领域。通过将技术洞察与监管趋势对齐，本工作旨在为未来稳健、可实际部署的车内IDS的研究与开发提供信息。
**论文解读文章**
**研究背景与问题**
随着智能网联汽车（ICV）的快速发展，车内网络（IVN）已成为汽车电气/电子（E/E）架构的核心基础设施。控制器局域网（CAN）总线凭借高实时性、可靠性和成本效益，长期主导车内通信，尤其在动力系统和车身控制等关键模块中。然而，传统CAN总线在带宽和可扩展性方面受限，难以满足自动驾驶和车联万物（V2X）协作等高数据量传输场景的需求。汽车以太网凭借高吞吐量、低延迟和对互联网协议（IP）协议栈的支持，成为IVN升级的关键方向。当前IVN正向“CAN-以太网共存”的混合架构演进，由IEEE 802.3bw和时间敏感网络（TSN）等标准推动。这种融合使车辆向更深层次的智能化和网联化发展，但也暴露出严重的安全威胁：CAN总线缺乏固有加密和认证机制，易受消息注入、重放攻击和关键控制命令篡改；汽车以太网的IP导向特性引入了传统信息技术（IT）系统的漏洞，如拒绝服务（DoS）攻击、中间人（MitM）攻击和恶意软件传播。异构协议的共存扩大了攻击面，而车-云-路协作场景通过外部接口进一步加剧了暴露风险。传统防御机制（如防火墙和访问控制）因无法满足实时性和资源受限环境的要求而受限。入侵检测系统（IDS）作为动态防御框架的核心，能够实现网络流量的实时监控和异常行为分析，但现有研究存在覆盖面不全、缺乏跨协议兼容性和云车协同考虑等问题。因此，全面综述CAN与汽车以太网的安全威胁、标准及检测技术，对于指导未来稳健、可部署的车内IDS开发具有重要意义。本论文发表在《Chinese Journal of Electronics》。
**主要关键技术方法**
研究人员采用了以下关键技术方法：（1）对CAN和汽车以太网的数据结构、威胁模型及公开数据集进行详细对比分析；（2）将IDS方法分类为物理层电压指纹检测、基于规则/统计/人工智能的检测、以及云-车协同检测框架，覆盖物理层到应用层；（3）结合全球汽车网络安全标准（如UN R155、ISO/SAE 21434、ETSI TS 103 645等）和法规，桥接技术研究与行业政策。样本队列来源：数据集包括HCRL的Car Hacking数据集、ROAD数据集、X-CANIDS数据集、TOW-IDS数据集等，涉及多个车辆型号（如现代索纳塔、起亚Soul、雪佛兰Spark、别克君威等）及真实道路和测功机采集。
**研究结果**
1. **Evolution of CAN IDS**（CAN IDS的演进）
研究人员提出了一个包含电压指纹检测、基于消息的特征检测和云-车协同检测的分类框架。电压指纹检测通过分析CAN信号的物理层特性（如ACK学习、高斯混合模型）识别硬件级攻击，误识别率低至0.2%，F1-score>0.95。基于规则的IDS结合白名单、决策树和深度神经网络（DNN），在多车辆数据集上准确率超99%。基于统计的方法利用信息熵和时钟偏斜检测异常，例如基于滑动窗口熵的方法对DoS攻击检测率达100%，基于递归最小二乘（RLS）的时钟偏斜检测误报率低至0.055%。基于人工智能的IDS从传统机器学习（如支持向量机、随机森林）演进到深度学习（如深度卷积神经网络、长短期记忆网络、注意力机制），在复杂攻击检测中F1-score可达0.99以上。云-车协同检测通过隐私保护编码（Encode2ID）和联邦学习实现跨车辆实时威胁感知，如CC-IDPS系统在BERT模型上分类精度高。
2. **Automotive Ethernet IDS**（汽车以太网IDS）
汽车以太网IDS沿两个方向演进：协议解析技术和深度学习驱动的多模态流量分析。协议解析方面，研究人员针对SOME/IP、AVTP等协议设计了基于循环神经网络（RNN）或卷积神经网络（CNN）的检测模型，在AVTP注入攻击中F1-score>0.97。多模态分析方面，结合CNN和LSTM自编码器，通过知识蒸馏（如KDBC框架）实现轻量化部署，在TOW-IDS数据集上F1-score达0.9997，且模型尺寸大幅减小。
3. **Future Research Prospects**（未来研究展望）
讨论了模型退化与适应性、跨协议入侵检测、隐私保护与功能安全协作设计、数字孪生驱动的主动防御、标准化评估与动态对抗技术等五个方向。
**讨论与结论**
在讨论部分，研究人员指出当前IVN入侵检测技术已在单点防御上取得进展，但仍面临异构协议协同分析效率低、动态攻击意图预测延迟、隐私保护与功能安全平衡困难等核心挑战。未来研究应聚焦于多维技术突破，包括持续学习、增量更新、联邦学习、跨协议统一框架、差分隐私、同态加密、数字孪生仿真及动态对抗评估等。
研究结论部分（Section VII）翻译为：
随着汽车行业持续向更高互联性和自主性转型，确保IVN的安全已成为技术必然和监管优先事项。在本综述中，研究人员对两种最广泛使用的IVN通信协议——CAN总线和汽车以太网——提供了全面且结构化的概述，重点介绍了它们各自的数据特征、威胁模型和公共数据集。这种双协议视角使研究人员能够在异构车内通信环境中细致理解安全格局。在此基础上，研究人员对应用于基于CAN和汽车以太网网络中的入侵检测技术进行了系统回顾。研究人员将检测方法分类为物理层电压方法、基于规则和人工智能驱动的技术，以及新兴的云-车协同框架。本工作还进一步扩展至技术机制之外，纳入了全球网络安全标准和法规的综述，桥接了研究创新与工业实践之间的差距。与现有综述相比，本研究提供了更全面和深入的视角，整合了多层检测技术、跨协议覆盖以及与监管框架的一致性。然而，本综述的一个局限性是，尽管其范围全面，但分析受限于现有研究中数据集和评估方法的异质性，这使得直接的定量比较具有挑战性。展望未来，研究人员指出了未来工作的有前景方向，包括跨域数据集融合、能够随车辆软件更新演化的自适应IDS模型，以及边缘与云端组件之间更紧密的集成。最终，研究人员希望本综述有助于推动安全、智能且符合法规的汽车系统的发展。
