机构名称：
¥ 8.0
摘要 车载入侵检测系统 (IV-IDS) 是用于检测针对电动或自动驾驶汽车的网络攻击的保护机制之一，其中基于异常的 IDS 解决方案在检测攻击尤其是零日攻击方面具有更好的潜力。通常，由于难以区分正常数据和攻击数据，IV-IDS 会产生误报（错误地将正常数据检测为攻击）。它可能导致不良情况，例如系统松懈加剧，或在生成警报后事件处理中的不确定性。借助复杂的人工智能 (AI) 模型，IDS 提高了检测到攻击的机会。然而，使用这种模型是以降低可解释性为代价的，可解释性这一特性在确定其他各种有价值的需求时被认为很重要，例如模型的信任、因果关系和稳健性。由于基于人工智能的复杂 IV-IDS 缺乏可解释性，人类很难信任这样的系统，更不用说知道当 IDS 标记攻击时应该采取什么行动。通过使用可解释人工智能 (XAI) 领域的工具，本论文旨在探索可以根据模型预测产生什么样的解释，以进一步提高基于人工智能的 IV-IDS 的可信度。通过比较调查，在自定义、伪全局、基于可视化的解释（“VisExp”）和基于规则的解释上评估了与可信度和可解释性相关的方面。结果表明，VisExp 提高了可信度，并增强了基于人工智能的 IV-IDS 的可解释性。关键词：入侵检测系统、车载入侵检测系统、机器学习、深度学习、可解释人工智能、可信度。
使用可解释的人工智能提高基于人工智能的车载入侵检测系统的可信度
主要关键词
相关文件推荐
