X-SPUR: Penalaran Tanpa Supervisi Berbasis Surprisal yang Dapat Dijelaskan dan Sadar Protokol untuk Deteksi Intrusi Automotive Ethernet

Kerangka pemodelan bahasa kausal tingkat token dengan fusi waktu bimodal dan kalibrasi Z-score dual top-k% per protokol untuk jaringan dalam kendaraan yang heterogen

Jisoo Kim; Seonghoon Jeong· 2026· DOI 10.48550/arXiv.2609.21217

Masalah inti

Jaringan dalam kendaraan modern yang dibangun di atas Automotive Ethernet membawa lalu lintas multi-protokol yang heterogen, namun data serangan berlabel jarang tersedia untuk pelatihan terawasi. Deteksi intrusi tanpa supervisi karena itu menjadi penting, tetapi detektor sebelumnya yang terkuat, AERO, masih bergantung pada fitur lalu lintas buatan tangan. Rekayasa fitur semacam itu memakan banyak tenaga, spesifik protokol, dan mungkin gagal menggeneralisasi lintas keluarga protokol. X-SPUR mengatasi kesenjangan ini dengan merepresentasikan bidang paket mentah sebagai urutan token dan mempelajari pola lalu lintas benign melalui pemodelan bahasa kausal. Anomali dideteksi dari surprisal cross-entropy per token, sehingga menghilangkan rekayasa fitur buatan tangan sepenuhnya. Kerangka ini dirancang agar dapat dijelaskan, sadar protokol, dan tanpa supervisi, mendukung analisis keamanan yang interpretable pada jaringan dalam kendaraan yang heterogen.

Pada dataset TOW-IDS, X-SPUR mencapai AUC 0,9987. Ini sedikit lebih tinggi daripada 0,9969 yang dilaporkan untuk AERO, detektor tanpa supervisi sebelumnya yang terkuat. Yang lebih penting, X-SPUR menghilangkan rekayasa fitur buatan tangan, yang masih diandalkan AERO. Untuk menilai generalisasi, penulis melatih model CarDS terpisah menggunakan arsitektur dan hyperparameter pelatihan yang sama. Model ini mempertahankan kinerja yang kuat pada dataset Automotive Ethernet kedua, menunjukkan bahwa pendekatan ini tidak overfit terhadap satu dataset atau campuran protokol. Hasil ini menunjukkan bahwa surprisal tingkat token dari pemodelan bahasa kausal, dikombinasikan dengan fusi waktu bimodal dan kalibrasi per protokol, dapat menyamai atau melampaui baseline berbasis fitur rekayasa sekaligus memberikan interpretabilitas yang lebih besar.

Jaringan dalam kendaraan modern yang dibangun di atas Automotive Ethernet membawa lalu lintas multi-protokol yang heterogen, namun data serangan berlabel jarang tersedia untuk pelatihan terawasi. Deteksi intrusi tanpa supervisi karena itu menjadi penting, tetapi detektor sebelumnya yang terkuat, AERO, masih bergantung pada fitur lalu lintas buatan tangan. Rekayasa fitur semacam itu memakan banyak tenaga, spesifik protokol, dan mungkin gagal menggeneralisasi lintas keluarga protokol.

X-SPUR mengatasi kesenjangan ini dengan merepresentasikan bidang paket mentah sebagai urutan token dan mempelajari pola lalu lintas benign melalui pemodelan bahasa kausal. Anomali dideteksi dari surprisal cross-entropy per token, sehingga menghilangkan rekayasa fitur buatan tangan sepenuhnya. Kerangka ini dirancang agar dapat dijelaskan, sadar protokol, dan tanpa supervisi, mendukung analisis keamanan yang interpretable pada jaringan dalam kendaraan yang heterogen.

Di luar kinerja deteksi, X-SPUR menyediakan kemampuan penjelasan yang terperinci. Surprisal per token mengatribusikan skor anomali ke bidang protokol tertentu, memungkinkan analis keamanan memahami bidang mana yang menyimpang dari perilaku benign. Ini merupakan keunggulan signifikan dibandingkan detektor black-box atau berbasis fitur rekayasa, terutama pada jaringan dalam kendaraan yang heterogen di mana semantik protokol bervariasi. Fusi bimodal payload dan waktu menangkap anomali berbasis konten maupun temporal, yang krusial untuk Automotive Ethernet di mana serangan dapat muncul pada salah satu dimensi. Kalibrasi Z-score dual top- k % per protokol mengatasi tantangan distribusi skor yang heterogen lintas keluarga protokol, secara bersama menangkap tanda anomali yang tersebar moderat dan yang jarang. Sebuah batasan adalah pendekatan ini memerlukan pelatihan model terpisah per dataset atau campuran protokol, seperti ditunjukkan oleh model CarDS. Pekerjaan selanjutnya dapat mengeksplorasi transfer learning atau adaptasi domain untuk mengurangi beban pelatihan ulang. Meskipun demikian, X-SPUR merupakan langkah menuju deteksi intrusi tanpa supervisi yang dapat dijelaskan dan sadar protokol untuk Automotive Ethernet.

Praktisi dan peneliti ilmu komputer

Membuka konten member…