.png){kind=icon}
返回
Optimizing vehicle security: A multiclassification framework using deep transfer learning and metaheuristic-based genetic algorithm optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ijcip.2025.100745.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网（IoT）范式的扩展，车联网（IoV）使智能汽车更容易连接到互联网并相互通信。由于智能车辆能力的提升，消费者对IoV技术的兴趣显著增长。然而，IoV的快速增长引发了严重的隐私和安全问题，可能导致危险事故。为检测物联网网络中的入侵行为，一些学者开发了基于深度学习的算法。这些模型旨在检测车辆网络中的恶意攻击并降低智能车辆事故的发生率。所提出的方法利用了一种先进的三层设计，结合了集成方法、遗传算法（GA）和卷积神经网络（CNNs）。执行此方法采用了三个关键步骤：首先，为进行基于CNN的分析，我们将高层IoV数据转换为图像格式。然后，通过GA优化每个基础学习模型的超参数，从而提升模型的性能和适应性。最后，我们使用集成方法结合三个CNN模型的输出，显著提高了入侵检测系统（IDS）的长期鲁棒性。评估中使用了两个数据集：包含来自12种不同入侵类别的22,086个样本的CICEVSE数据集，以及包含来自5种不同入侵类别的29,228个样本的公开可用Car Hacking数据集。根据实验结果，所提出的策略在Car Hacking图像上获得了100%的最优得分，在CICEVSE图像上获得了93%，显示出优异的准确性。这些发现对在复杂的车联网环境中开发安全、高效且灵活的入侵检测系统具有重大意义。
Keyword:
Internet of Vehicle
Deep ensemble learning
IoT security
Transfer learning
CNN
Intrusion detection
期刊
IF:
5.3
论文数:
626
被引数:
1.3K
机构
暂无机构信息
引用论文
An Internet of Vehicles (IoV) Access Gateway Design Considering the Efficiency of the In-Vehicle Ethernet Backbone.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Intrusion Detection Method Using Bi-Directional GPT for in-Vehicle Controller Area Networks基于双向GPT的车载控制器局域网入侵检测方法IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容