现代车辆具有许多电子控制单元（ECU），这些单元（ECU）不断地通过受控区域网络（CAN）段组成的嵌入式车内网络（IVN）进行通信。CAN总线技术的简单性和尺寸约束的8字节有效载荷使整合基于真实性和完整性的保护机制是不可行的。因此，恶意组件将能够将恶意数据注入网络中，其检测风险很小。通过各种安全攻击（例如洪水，模糊和故障攻击）证明了这种漏洞。改善现代车辆安全性的实际方法是监视CAN巴士的流量以检测异常。但是，要使用一般方法管理这种入侵检测系统（IDS）面临一些挑战。首先，需要省略CAN数据字段的专有编码，因为它们是原始设备制造商（OEM）的知识产权，并且在车辆制造商及其型号之间有所不同。其次，这种一般和实用的ID方法在速度和准确性方面也必须在计算上有效。用于计算机网络的传统IDS通常使用基于规则或基于签名的方法。最近，使用机器学习（ML）具有有效特征表示的方法已显示出巨大的成功，因为检测速度更快，开发和维护成本较低。因此，提出了具有增强频率特征表示的有效数据聚合技术，以提高IVN的ML基ID的性能。使用汽车ID的生存分析数据集验证了性能增益。