CAV-AD: 自动驾驶车辆网络中异常数据和恶意传感器的鲁棒检测框架
原文中文,约400字,阅读约需1分钟。发表于: 。通过提出一种名为 CAV-AD 的新型框架,该框架包含了一个优化的 omni-scale CNN 模型架构和一个放大块,以在检测多个异常数据的同时识别恶意传感器,成功地实现了 98% 的平均准确率和 89% 的平均 F1 得分。
该论文介绍了一种名为统计聚合异常检测(SAAD)的新型方法,通过在汽车领域的硬件在环(HIL)环境中验证了其有效性。SAAD方法结合了全连接网络和辍学层,提高了异常检测的准确性和健壮性。实验结果表明,SAAD方法的聚合准确性达到了88.3%,F1得分为0.921,优于单独的统计方法和深度学习模型。这些结果展示了SAAD在各个领域,包括汽车系统中的广泛应用潜力。