← 最新论文
💻 计算机科学

A Hardware–Software Co-Designed Lightweight CNN–MLP Accelerator for CAN Intrusion Detection on FPGA

本文提出了一种在 Xilinx Zynq-7020 FPGA 上实现的硬件-软件协同设计的轻量级 CNN–MLP 加速器,该加速器实现了 99.28% 的检测准确率,并具有低延迟和低功耗特性,为实时 CAN 总线入侵检测提供了分类性能与硬件效率之间的优化权衡。

原作者: Manel Hentati, Raida Hentati, Olfa Gaddour

发布于 2026-10-23
📖 1 分钟阅读☕ 轻松阅读

原作者: Manel Hentati, Raida Hentati, Olfa Gaddour

原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

现代汽车已不再仅仅是拥有发动机和车轮的机器;它们是拥有数十个被称为电子控制单元(ECU)的小型计算机组成的移动网络,这些计算机不断相互通信,以管理从制动到转向的一切。这些计算机通过一条被称为控制器局域网络(CAN总线)的共享高速公路进行通信。几十年来,由于该系统的设计初衷是追求速度和简洁而非安全性,它一直运行得非常可靠。它缺乏现代互联网连接中常见的数字锁和身份验证,这意味着如果黑客能够接入汽车的诊断端口或接触其布线,他们就可以发送看起来完全合法的伪造消息。这种漏洞使得攻击者能够用噪声淹没网络、使汽车系统陷入混乱,甚至夺取关键功能的控制权。为了阻止这些威胁,工程师们正转向人工智能,特别是那些能够学习识别实时网络攻击中细微模式的系统。然而,这些智能系统通常需要强大的计算机,而这些计算机消耗的能量过多,且处理数据的时间过长,无法适配汽车有限的电子大脑。

来自突尼斯斯法克斯大学的一个研究小组解决了这一问题,他们开发出一种全新的安全系统,既足够聪明能够检测攻击,又足够小巧能够在汽车现有的硬件上运行。他们并没有试图将一个庞大复杂的计算机程序强行塞进狭小的空间,而是从底层开始设计了一个轻量化系统,在执行思考任务的软件与执行工作的专用硬件之间实现了精密的平衡。他们在名为FPGA(现场可编程逻辑门阵列)的芯片上构建了一个定制的加速器,这种芯片是一种常用于工程领域的重构计算机芯片,因为它可以通过编程来执行特定任务,并具有极高的速度和极低的功耗。研究人员并非简单地将标准的安全程序进行缩减,而是对整个系统进行了协同设计,通过塑造人工智能模型以契合硬件的优势,同时调整硬件以应对模型的需求。

他们解决方案的核心是一种结合了两种神经网络(一种模仿人类大脑的计算机系统)的混合架构。其中一部分负责观察数据流中的短期模式,而另一部分则做出最终判断:该消息是安全的还是恶意的。这种设计避免了导致其他类型AI变慢的沉重、顺序处理步骤,使得系统能够在不产生延迟的情况下分析流经汽车网络的数据流量。为了在内存有限的芯片上实现这一目标,研究人员使用了一种称为“异构定点量化”的技术。通俗地说,这意味着他们调整了计算机在不同计算环节中所使用的数字精度。他们对决策过程中最关键的部分保持高精度,以确保准确性,而对不太关键的步骤则使用更简单的低精度数字,从而节省空间和能源。这种方法使他们能够在不丧失识别细微威胁能力的前提下,保持系统“大脑”的紧凑。

当研究人员使用包含正常驾驶以及模拟攻击(如拒绝服务洪水攻击和冒充尝试)的知名汽车网络流量数据集对系统进行测试时,结果令人瞩目。该系统正确识别流量类型的准确率达到了99.28%,这意味着它极少在区分安全车辆与被黑车辆时出错。更重要的是,它完成这一过程的速度极快且效率极高。系统分析一组新数据并做出决策仅需0.138毫秒,从人类的角度来看,这个时间尺度几乎是瞬间完成的。此外,它的功耗也非常低,运行时的功耗仅为1.793瓦,这种能效水平使得汽车能够持续运行该安全监控系统而不至于耗尽电池。

研究人员将他们的方法与其他在类似硬件上尝试过的方法进行了对比。许多现有方案要么依赖于会导致数值不稳定的极端简化,要么使用过于缓慢、无法满足实时安全需求的复杂顺序设计。还有一些方案依赖于特定的专有硬件,无法轻易迁移到不同的车型中。新设计通过寻找中间地带避开了这些陷阱:它实现了接近最复杂模型的检测准确度,但运行速度更快且功耗更低。团队测量了一个结合了准确度、速度和功耗的特定效率评分,结果显示他们的系统得分比其他领先方法高出两倍多。这表明,变得“聪明”与保持“高效”之间并非零和博弈;通过对软件和硬件进行协同设计,完全可以兼得两者。

该系统是在Xilinx Zynq-7020芯片上构建和测试的,这是一种结合了通用处理器核心与用于此类加速的专用逻辑的处理器。研究人员使用了高层次综合工作流,这是一种能够自动将软件设计转化为硬件芯片执行所需特定指令的方法。这使得他们能够创建一个完全流水线化的数据流,即系统以连续流的形式处理数据,就像一条生产线一样,在机器运行的每一个时刻都在处理新项。这种设计确保了汽车的安全系统永远不必等待前一个计算完成后才能开始下一个,从而提供了一种对于安全至关重要的稳定、可预测的响应。

尽管研究结果令人鼓舞,但研究人员也承认这项工作只是更大目标中的一步。测试是使用特定的记录流量数据集进行的,这虽然提供了一个受控环境,但可能无法捕捉到现实世界攻击中的所有变化或繁忙道路上的混乱情况。他们还指出,总功耗中的很大一部分来自于芯片的通用处理器部分,这表明进一步的优化可以使系统更加节能。尽管存在这些局限性,这项研究证明了将先进的人工智能直接嵌入汽车电子控制单元中是完全可行的。这为汽车能够实时防御网络攻击打开了大门,在无需依赖缓慢的云端连接或笨重的外部计算机的情况下,保护车辆及乘客的安全。这项工作证明,通过精密的工程设计,嵌入式硬件的约束并不一定会成为先进安全技术的障碍。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →