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。