一、项目背景与真实数据的挑战
智能网联汽车里，CAN 总线是连接各个 ECU 的核心网络。不过 CAN 总线在设计之初极度缺乏安全认证与加密机制，很容易遭到黑客的 DoS、重放、模糊测试等攻击。
这个项目主要是利用深度学习（LSTM）的时序特征提取能力，结合极其受限的车载算力环境，构建一个高效的车载入侵检测系统（IDS）。
整体技术链路可以概括为下面这张图：
开源代码在这里：https://github.com/Jinxiaoxi520/SmartGuard-Vehicle-AI
项目刚开始的时候，我用一些简单的开源小数据集跑通了模型，准确率达到了 99%。当时确实有点膨胀，以为项目差不多搞定了。
直到我拿到了韩国高丽大学 HCRL 实验室的 125 万条真实车载报文数据集。换上真实数据，并开启严谨的时序切分模式后，成绩直接暴跌：准确率只剩 57%，模型彻底变成了“疯子”。
原因很简单。真实的汽车在 99% 的时间里都在发送正常报文，黑客攻击的占比极低。模型为了走捷径，开始疯狂地把正常报文误判为攻击。
二、数据与策略的重构
为了让模型真正学到东西，我开始了漫长的调参和工程重构：
处理极度不平衡（Class Weight）
我引入了类别权重，强行给罕见的攻击样本加上更高的惩罚。但调参是个技术活：给到 15 倍，模型变成惊弓之鸟，到处乱报警；降到 3 倍，模型又摆烂躺平。最终我把它固定在了一个相对平衡的区间。
引入学习率衰减（ReduceLROnPlateau）
训练轮数增加后，损失函数开始反复震荡。我加了学习率衰减机制，当模型发现损失不再下降时，自动把步子迈小，进行细致的微调。
双模式切分（防样本泄漏）
为了保证工程的严谨性，我写了双模式开关：
严谨模式：严格按时间顺序切分（无重叠），真实模拟实车流量。
展示模式：采用滑动窗口重叠切分（Stride=1），最大化学习攻击特征。
两种切分模式的差异如下：
三、最终战报与硬核指标
在经历了数十次推翻重来后，最终模型在 125 万条数据规模下，交出了这份答卷：
推理性能：测试集单条报文平均推理耗时仅 0.0134 毫秒。这个速度已经能满足绝大多数车载 MCU/边缘网关的实时性要求。
安全优先：在最佳安全阈值（0.247）下，召回率（Recall）达到了 79.44%。在“宁可错杀，不可放过”的车载安全标准下，系统能拦截近八成的黑客攻击。
这里贴一下评估数据汇总，真实的高噪数据下，ROC-AUC 拿到 0.791，PR-AUC 拿到 0.2682。
从训练到最终评估的完整流程如下：
分数看着没有假数据华丽，但这是能真正在现实复杂环境中落地测出来的表现。
评估指标 (最佳安全阈值 0.247) 数值
单条报文推理耗时 0.0134 毫秒
召回率 (Recall) 79.44%
准确率 (Accuracy) 67.77%
F1-Score 0.3312
ROC-AUC 0.791
PR-AUC 0.268
四、踩坑复盘盘
开发过程中遇到了几个典型问题，这里做个记录：
数据格式的伪装：真实车载数据文件后缀可能是伪装的 Excel，导致 pandas 报 FileNotFoundError 或格式错误。必须加上 engine=‘openpyxl’ 等强制读取，并把原代码里死板的 DLC 长度限制去掉。
版本兼容性：原开源代码使用了 pandas 中被废弃的 applymap，运行时报一堆警告。我把它重构成了 apply(lambda col: col.map(…)) 解决了兼容问题。
五、后续计划 (TODO)
目前代码已经全量开源了。接下来的优化方向主要是这几个：
后续演进路线规划如下：
□ 模型轻量化：尝试对模型进行剪枝和 INT8 量化（TFLite），把它塞进几十块钱的单片机里。
□ 流式推理封装：利用 deque 实现实时滑动窗口，打造在线检测 Demo。
□ 多基线对比：引入 1D-CNN 和 XGBoost 作为对照组，完成完整的消融实验。
