本文研究 CAN 总线系统中基于到达时间差（TDoA）测量的入侵检测方法的安全性。CAN 总线是车辆内部通信的事实标准，以鲁棒性和安全性为主要设计目标，但在实际部署中缺乏消息认证等常见安全功能。由于汽车供应商需要保证互操作性，大多数制造商依赖数十年前的 ISO 11898 标准，通过引入 MAC（消息认证码）改变帧格式并不现实。因此，研究界提出利用 CAN 总线入侵检测系统（IDS）来弥补这一缺陷，通过附加模块从物理层特征（如时序、电压、瞬态，以及最近提出的 TDoA 测量）来归属消息发送者。本文首先揭示，已有文献中的 TDoA 方法容易遭受新型欺骗（spoofing）和投毒（poisoning）攻击。作者不仅描述了这些攻击如何破坏现有方案的可靠性，还提出了针对性的修复思路，并在此基础上设计了一种新方法 EdgeTDC。与依赖高采样率、高动态范围 ADC 来捕获样本级信号的现有方法不同，EdgeTDC 使用时间数字转换器（TDC）来检测帧中每个边缘（上升沿和下降沿）并测量其到达时间。TDC 硬件成本低、延迟小、位置精度高，能够测量帧的每一个边沿，从而无需进行模拟采样即可获得完整的时序信息。通过计算边沿之间的统计特征，EdgeTDC 甚至能够检测出对消息部分内容的篡改。大量实验表明，EdgeTDC 可以有效挫败现代车辆 CAN 系统中的伪装攻击，展示了其在现实环境中的可行性与鲁棒性。本文的贡献在于：系统性分析 TDoA 方法的弱点、提出可修复方案、并验证 EdgeTDC 作为低成本替代方案的防御有效性。适合汽车安全研究员、CAN 总线 IDS 设计者以及关注物理层安全的从业者阅读。

该论文提出了一种基于数字孪生（Digital Twin, DT）的入侵检测系统（IDS），用于车辆动力总成控制器局域网（CAN）总线，旨在检测那些保持正常消息时序、频率或序列但操纵有效载荷的隐蔽攻击。现有CAN入侵检测方法主要关注消息时序或频率的异常，无法识别此类载荷操纵攻击。作者利用共享编码器LSTM构建数字孪生模型，对来自真实现代/起亚CAN日志的17个解码信号进行联合建模，在24步时间窗口内预测7个数值信号和2个分类挡位信号。检测机制基于预测值与实际观测值之间的残差，当残差超过校准阈值时将该时间步标记为攻击；同时采用自适应滚动机制保护数字孪生的输入历史免受持续污染。研究评估了四种攻击类型：平台攻击、连续漂移、伪装攻击和挡位伪装攻击，并与基于范围和合理性的基线方法对比。结果显示，数字孪生方法在所有攻击类型上均优于基线，对连续漂移的检测率达94.6%，对伪装攻击的检测率达89.2%，而基线几乎无法检测任何载荷伪造攻击。实验证明了学习耦合车辆动力学能够有效检测保持正常通信模式的隐蔽载荷操纵。但误报率高达39.6%，表明在持续攻击下系统鲁棒性仍需改进。该研究为联网与自动驾驶汽车的行为安全检测提供了新思路。

本文针对当前车载控制网络中控制器局域网（CAN）总线面临的安全威胁，提出了一种基于硬件修改的 unauthorized 传输阻断方法。近年来，针对 CAN 总线的攻击案例层出不穷，而现有车载 ECU 并未内置安全功能，因此需要低成本且有效的安全措施。作者提出通过修改 CAN 控制器，使其能够限制 ECU 向 CAN 总线发送消息的频率，从而在物理层/数据链路层阻止异常的、非授权的总线访问。该方法不仅适用于传统 CAN，还扩展到了支持灵活数据速率（CAN-FD）的总线。作者通过实验验证了该‘禁用器’（Disabler）在 CAN 和 CAN-FD 系统中的有效性，证明其能够可靠地阻断异常频率的传输，同时不影响正常通信。该研究为车载网络提供了一种硬件级、低开销的入侵防御思路，适合汽车安全研究人员、ECU 设计者以及车联网安全工程师阅读。

该论文针对现代汽车网络中的数据链路层（Data-Link Layer）安全问题展开研究，提出了一种名为 CANflict 的新型攻击面。研究背景是：汽车内部广泛使用控制器局域网（CAN）总线作为核心通信协议，而现代汽车电子控制单元（ECU）通常具备多种外设接口（如 SPI、I2C、GPIO 等），这些外设与 CAN 控制器共享内存映射或中断资源。作者发现，当恶意软件或已受控组件触发这些外设与 CAN 控制器之间的资源冲突（peripheral conflicts）时，可能影响 CAN 帧的发送或接收逻辑，从而在数据链路层引入异常行为，甚至可能绕过上层安全机制。论文的核心方法是系统性地分析典型车载微控制器（MCU）中 CAN 控制器与外设之间的资源共享机制，识别可被利用的冲突窗口，并构建攻击模型。论文的主要贡献包括：首次系统化提出并定义了此类外设冲突攻击的概念；在真实硬件平台上验证了冲突对 CAN 报文时序和完整性的影响；讨论了该类攻击对现有汽车安全防护（如入侵检测系统、认证协议）的挑战；并提出了若干潜在的防御研究方向，如资源隔离、访问控制增强和运行时监控。该研究适合汽车安全研究员、ECU 固件开发者、汽车入侵检测系统设计者以及关注车载供应链安全的蓝队人员阅读。由于当前仅基于摘要，文中未提供具体实验的量化结果或在野利用证据，因此评估为纯学术研究性质。

本文针对车载网络（IVN）面临的注入攻击威胁，提出了一种状态感知的防御机制SAID（State-aware Defense Against Injection Attacks on In-vehicle Network）。车载网络是现代汽车的关键组成部分，但其安全性日益受到挑战，尤其是注入攻击（如伪造或篡改CAN总线消息）可能导致车辆失控等严重后果。现有防御方案多基于规则或异常检测，但难以应对日益复杂的攻击模式，且缺乏对车辆运行状态的感知。SAID的核心思想是利用车辆内部的状态信息（如车速、引擎状态、方向盘角度等）来动态地评估和过滤网络消息的合法性。该方法首先通过分析车辆的运行状态，建立状态转移图，并定义每个状态下合法的消息模式。然后，在运行时，SAID实时监控网络流量和车辆状态，将接收到的消息与当前状态下的合法模式进行比对，任何不符合状态预期的消息将被标记为攻击并予以阻断。实验基于真实车辆数据集和模拟攻击场景进行，结果表明SAID能够有效检测多种注入攻击（包括伪造消息、重放攻击等），同时保持极低的误报率。与传统的基于阈值或固定规则的防御相比，SAID将检测率提升至99%以上，误报率低于0.5%，且对车辆正常通信的延迟影响可忽略不计。该工作为车载网络安全提供了一种新颖的、上下文感知的防御思路，适合汽车安全工程师、嵌入式系统安全研究人员以及汽车制造商的安全团队阅读。

本文针对控制器局域网(CAN)中的错误处理机制展开了深入的安全性分析。CAN总线广泛部署于汽车、工业自动化等安全攸关领域，其错误处理机制包括错误帧、主动错误标志、被动错误状态等，设计初衷是为了在总线节点间实现可靠的数据传输。然而，该研究通过形式化建模与实验验证，首次揭示了这些错误处理规则中存在多个可利用的漏洞。具体而言，攻击者可以通过精心构造的异常位序列，使节点被动错误状态下的错误计数重置逻辑失效，从而引发节点间的状态不一致，导致合法报文被错误地置为无效或被忽略。此外，论文还发现了错误帧的优先级与正常数据帧之间的竞态条件，攻击者利用这一条件可以阻断特定节点的数据发送，形成拒绝服务攻击。实验在真实的CAN控制器和模拟环境中进行，验证了漏洞的可利用性，并评估了其影响范围。研究还讨论了现有入侵检测方案对这类攻击的检测盲区，并提出了改进错误处理逻辑、增加计数校验与超时监控等缓解建议。该工作为车载网络安全提供了新的攻击面认知，对推动CAN协议安全增强具有重要参考价值。

本文针对汽车控制器局域网（CAN）中的电压入侵检测系统（VIDS）提出了一种规避攻击方法。CAN总线是现代汽车电子控制单元（ECU）间通信的核心，但由于资源限制缺乏网络安全机制，容易遭受ECU伪装攻击：攻击者ECU冒充合法ECU发送伪造消息。VIDS作为一种轻量级防御方案，通过测量每个消息在总线上的电压指纹来识别消息源，由于电压指纹源自ECU硬件特性，单个攻击者无法可控修改，因此VIDS能有效检测伪装攻击。本文研究的问题是：多个攻击者ECU协同是否可能绕过VIDS？作者提出了一种新型攻击方法，利用多个攻击者ECU同时发送消息，通过电压叠加效应在总线上产生与目标合法ECU电压指纹匹配的波形，从而规避检测。实验在真实汽车硬件和模拟环境中进行，评估了不同攻击策略的可行性。结果表明，在特定条件下（如攻击者数量、消息时序控制），攻击成功率可达较高水平。该研究揭示了VIDS的脆弱性，强调了在设计汽车入侵检测系统时需考虑多攻击者协同场景。主要贡献包括：提出第一个绕过VIDS的协同攻击方法；构建了攻击模型并证明可行性；为CAN总线安全检测提供了新的研究视角。适合汽车安全研究人员、ECU设计者及入侵检测系统开发者阅读。

该论文针对控制器局域网（CAN）总线面临的安全威胁提出了一种新型入侵检测系统MIDS。CAN总线是现代车辆中电子控制单元（ECU）的主要通信协议，但缺乏加密和认证机制，容易遭受多种攻击。现有入侵检测系统大多针对制造型攻击（如DoS、模糊测试、ID欺骗等），这些攻击通过帧注入改变流量统计特征（如帧间到达时间），因此容易被基于统计的检测方法发现。然而，本文聚焦于更隐蔽的“伪装”攻击场景：内部攻击者在原始传输时隙原位替换合法帧，保持了流量周期性，使得传统基于流量统计的防御失效。为此，作者提出了MIDS，一种创新的双流框架，并行处理CAN标识符和数据负载，并通过双向选择性状态空间建模重建其联合时间语义。为了评估MIDS，作者从物理特斯拉Model 3车辆在三种驾驶模式下收集了超过1亿个CAN帧，并合成了54种伪装攻击变体，涵盖仅ID修改、仅数据修改以及组合修改。MIDS在该数据集上达到了96.94%的F1分数，比最强可复现基线高出8个百分点以上，同时保持1.147毫秒的单窗口推理延迟，为实时车载部署留有充足余量。为了验证泛化能力，作者进一步在四个公开基准（ROAD、CrySyS、OTIDS、CT&T）上评估MIDS，这些基准涵盖伪装和注入场景；在统一的5折验证协议下，MIDS的F1分数为93.70%至99.61%，比八个复现基线中最强者高出最多13.94个百分点。该工作为车载CAN总线安全检测提供了新的视角和方法，特别适用于对抗隐蔽式伪装攻击。