MOO-IDS：基于多目标优化的车载网络轻量级入侵检测系统

《Scientific Reports》：MOO-IDS: multi-objective optimization-based lightweight intrusion detection system for in-vehicle networks

　　

随着智能网联汽车的普及，控制器局域网（Controller Area Network, CAN）总线作为车载通信的骨干，由于缺乏认证和加密机制，容易遭受网络攻击。现有入侵检测系统（Intrusion Detection System, IDS）在处理数据不平衡、复杂攻击识别和资源受限部署方面存在局限性。该研究提出一种基于多目标优化的轻量级入侵检测系统，称为MOO-IDS。该系统集成混合深度受限玻尔兹曼机生成器（Hybrid Deep Restricted Boltzmann Machine Generator, HyDRBM-Gen），以缓解车载网络数据中攻击样本稀缺和类别不平衡问题。针对定向ID伪造和伪装攻击，引入了两个新特征：ID频率（ID Frequency, IDF）和ID-数据相关性（ID-Data Correlation, IDC）。自适应增强非支配排序蜣螂优化器（Adaptive-Enhanced Non-Dominated Sorting Dung Beetle Optimizer, AE-NSDBO）对XGBoost超参数进行优化，在F1分数、模型大小和推理延迟之间实现最优平衡，使优化后的XGBoost完成入侵检测。在真实数据集Real ORNL Automotive Dynamometer（ROAD）上的实验结果表明，MOO-IDS取得了优异的性能，加权平均F1分数为0.9907，模型大小仅为0.199 MB，推理延迟大幅降低。该模型在Car Hacking和Survival Analysis数据集上也表现优异。该研究为资源受限的车载环境提供了一种高精度、轻量级、强泛化能力强的多类入侵检测模型。

**研究背景与目标**
随着智能网联汽车和自动驾驶技术的发展，现代汽车成为包含大量电子控制单元（Electronic Control Unit, ECU）的复杂信息物理系统（Cyber-Physical System, CPS）。控制器局域网（Controller Area Network, CAN）总线因低成本和高可靠性成为车载通信主干，但其设计上缺乏认证与加密，广播式传输使接收节点无法验证消息合法性。攻击者可实施拒绝服务（Denial-of-Service, DoS）、模糊（Fuzzy）、定向ID伪造、重放和伪装（Masquerade）等攻击。现有入侵检测系统（Intrusion Detection System, IDS）中，基于规则或统计的方法依赖人工特征且泛化性差；深层模型虽特征提取能力强，但参数量和推理延迟高，难以在资源受限的ECU上部署；同时真实数据中攻击样本稀缺和类别不平衡会降低多类识别性能。因此，研究人员提出基于多目标优化的轻量级CAN总线入侵检测系统MOO-IDS，在检测精度、模型大小和推理延迟之间寻求平衡。该研究发表于《Scientific Reports》。

**研究内容与主要结论**
MOO-IDS包括数据生成、特征工程和多目标优化三个模块。HyDRBM-Gen生成攻击样本缓解数据不平衡；IDF和IDC特征提升复杂攻击辨别力；AE-NSDBO优化XGBoost超参数。在ROAD数据集上，加权平均F1分数为0.9907，模型大小仅0.199 MB，推理延迟显著降低；在Car-Hacking和Survival Analysis数据集上同样表现优异。结论表明，MOO-IDS为资源受限车载环境提供了高精度、轻量、强泛