Resumen:El Internet de los vehículos (IoV) se ha convertido en un componente esencial de los sistemas de transporte inteligentes, permitiendo una interacción fluida entre los vehículos y la infraestructura. En los últimos años, ha desempeñado un papel cada vez más importante en la mejora de la movilidad, la seguridad y la eficiencia del transporte. Sin embargo, esta conectividad introduce graves vulnerabilidades de seguridad, en particular denegación de servicio (DoS) y ataques de suplantación de identidad dirigidos al bus de la red de área del controlador (CAN), que podrían inhibir gravemente la comunicación entre los componentes críticos de un vehículo, provocando mal funcionamiento del sistema, pérdida de control o incluso poniendo en peligro la seguridad de los pasajeros. Para abordar este problema, este artículo presenta CANGuard, una novedosa arquitectura de aprendizaje profundo espacio-temporal que combina redes neuronales convolucionales (CNN), unidades recurrentes cerradas (GRU) y un mecanismo de atención para identificar eficazmente dichos ataques. El modelo se entrena y evalúa en el conjunto de datos CICIoV2024, logrando un rendimiento competitivo en exactitud, precisión, recuperación y puntuación F1 y superando los métodos de última generación existentes. Un estudio de ablación completo confirma las contribuciones individuales y combinadas de CNN, GRU y los componentes de atención. Además, se realiza un análisis SHAP para interpretar el proceso de toma de decisiones del modelo y determinar qué características tienen el impacto más significativo en la detección de intrusiones. El enfoque propuesto demuestra un gran potencial para mejoras de seguridad prácticas y escalables en entornos IoV modernos, garantizando así comunicaciones de bus CAN más seguras.
Publicado originalmente en export.arxiv.org el 29 de marzo de 2026.
Ver fuente original
