Badacze z arXiv opracowali framework do prywatnego wykrywania anomalii w sieciach CAN nowoczesnych pojazdów, oparty na architekturze Temporal Transformer Encoder z federated lightweight heads. System ma na celu identyfikować subtelne nieprawidłowości w komunikacji między elektronicznymi jednostkami sterującymi, które mogą wskazywać na błędy, awarie lub celowe ingerencje.
Nowoczesne pojazdy zawierają dziesiątki elektronicznych jednostek sterujących (ECU) stale wymieniające wiadomości przez szynę CAN. Ze względu na szybkość i powtarzalność tej komunikacji nawet niewielkie odchylenia w chronometrażu, wartościach payload'u czy wzorcach wiadomości mogą sygnalizować niezwykłą aktywność. Konwencjonalne metody analizujące komunikaty oddzielnie lub opierające się na ręcznie stworzonych regułach okazują się niewystarczające wobec subtelnych anomalii. Dlatego właśnie zaproponowana metoda wykorzystuje lekki Transformer encoder do uczenia się, jak sygnały ewoluują w czasie, wykrywając zarówno czasowe jak i kontekstowe nieprawidłowości.
Kluczową cechą rozwiązania jest federated learning, mechanizm pozwalający kilku pojazdom lub ECU na wspólną pracę nad doskonaleniem wspólnego modelu bez potrzeby wymiany surowych danych CAN. Takie podejście gwarantuje zarówno prywatność danych (każdy pojazd przechowuje swoje informacje lokalnie), jak i wydajność obliczeniową. Eksperymenty przeprowadzone na otwartych zbiorach danych wykazały, że kombinacja przetwarzania sekwencji czasowych z uczeniem federacyjnym zapewnia solidne wyniki w wykrywaniu anomalii przy zachowaniu efektywności i ochrony prywatności użytkowników.