Resumen

En los últimos años, las teorías de aprendizaje profundo, como las Redes Neuronales Recurrentes (RNN) y las Redes Neuronales Convolucionales (CNN), se han aplicado como métodos efectivos para la detección de intrusiones en la red CAN de vehículos. Sin embargo, las RNN existentes realizan la detección estableciendo modelos independientes para cada ID CAN, los cuales no logran aprender bien las características potenciales de los diferentes IDs, además de tener una estructura de modelo relativamente complicada y un alto costo de tiempo de cálculo. Las CNN pueden lograr una detección rápida al aprender las características de las secuencias de ID CAN normales y de ataque, y muestran un buen rendimiento, pero los métodos actuales no localizan puntos anómalos en la secuencia. Para resolver los problemas anteriores, este artículo propone un modelo de detección de intrusos en la red CAN del vehículo basado en Redes Convolucionales Temporales, llamado Sistema de Detección de Intrusos Basado en Redes Convolucionales Temp

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Aprendizaje profundo; Detección de intrusos; Redes neuronales convolucionales; Redes neuronales recurrentes; Red convolucional temporal; Red CAN
• Keywords:Deep learning; Intrusion detection; Convolutional Neural Networks; Recurrent Neural Networks; Temporal Convolutional Network; CAN network