智能网联汽车车载CAN网络入侵检测方法综述

doi:10.19562/j.chinasae.qcgc.2023.ep.002

Abstract

Abstract:

With the continuous integration of intelligent vehicle and vehicle networking technology， vehicles are developing towards intelligence and networking. As the complexity of in-vehicle network （e.g. CAN network） increases and the way in which vehicles are connected to the outside world increases， the cyber security risks faced by automobiles have risen dramatically. As an important barrier to protect vehicle network security， intrusion detection system can effectively detect external intrusion and abnormal vehicle behavior. Firstly， the security properties of the in-vehicle network are introduced， and the network security issues of the ICV， the vulnerability of the in-vehicle CAN network and the attack modes on it are analyzed. Secondly， the status quo of research on vehicle CAN network intrusion detection methods in recent years is summarized. Finally， several open questions are proposed for the future development of the in-vehicle network intrusion detection system.

Key words: intelligent and connected vehicle, network security, in-vehicle CAN network, abnormal behavior, intrusion detection system

Yuxin Guan,Haojie Ji,Zhe Cui,He Li,Liwen Chen. An Overview of Intrusion Detection Methods for In-Vehicle CAN Network of Intelligent Networked Vehicles[J].Automotive Engineering, 2023, 45(6): 922-935.

Figures/Tables 11

文献	年份	检测技术	检测的攻击方式	存在的问题	数据集来源	数据集是否开源
［48］	2016	HMM	消息注入攻击	需进一步研究如何处理罕见异常状态以及如何确定最佳阈值	实车数据	否
［49］	2018	HMM、回归模型	添加噪声攻击	该研究没有提供检测模型的训练时间和检测延迟	软件模拟数据	否
［50］	2019	改进的BAT算法、OCSVM	DoS攻击	该研究没有提供检测模型的训练时间	实车数据	否
［51］	2020	RT、RF、SGD和NB	DoS、模糊、欺骗驱动装置和欺骗RPM仪表攻击	该研究没有提供检测模型的训练时间	实车数据	［47］［54］
［52］	2021	KNN、RF、SVM和MLP	DoS、模糊、欺骗驱动装置和欺骗RPM仪表攻击	该研究没有提供检测模型的训练时间	实车数据	［47］［54］
［53］	2018	GAN	DoS、模糊、欺骗驱动装置和欺骗RPM仪表攻击	无法准确区分流量异常是电子元件故障引起的还是黑客恶意攻击引起的	实车数据	［54］
［55］	2021	GAN	DoS、消息注入、伪装和篡改攻击	需优化GAN模型以减少运算资源，将其轻量化	实车数据	否
［56］	2016	LSTM	DoS攻击	该方法将每个ID的数据序列视为相互独立的	实车数据	否
［57］	2021	LSTM	重放和篡改攻击	计算速度较慢，未来需要将其轻量化	实车数据	［63］
［58］	2022	LSTM	DoS、模糊、欺骗驱动装置和欺骗RPM仪表攻击	该研究没有提供检测模型的训练时间和检测延迟	实车数据	［54］
［59］	2020	DCNN	DoS、模糊、欺骗驱动装置和欺骗RPM仪表攻击	需进一步研究如何将其在线应用在汽车中	实车数据	［54］
［60］	2022	CNN	DoS、模糊、欺骗驱动装置和欺骗RPM仪表攻击	只能检测到干扰CAN数据包正常序列的攻击	实车数据	［54］
［61］	2022	CNN、LSTM	DoS、模糊、欺骗驱动装置和欺骗RPM仪表攻击	该研究没有提供检测模型的训练时间和检测延迟	实车数据	［54］
［62］	2021	CNN、AGRU	DoS、模糊和伪装攻击	该研究没有提供检测模型的训练时间和检测延迟	实车数据	［47］

References 63

1	吴武飞，李仁发，曾刚，等.智能网联车网络安全研究综述［J］.通信学报，2020，41（6）：161-174.
	WU W F， LI R F， ZENG G， et al. A review of the network security research of intelligent networked vehicles ［J］. Journal of Communications， 2020， 41（6）： 161-174.
2	HAN S， XIE M， CHEN H H， et al. Intrusion detection in cyber-physical systems： techniques and challenges［J］. IEEE Systems Journal， 2014， 8（4）：1049-1059.
3	李岩松. 复杂网络环境下智能网联汽车安全威胁分析与远程入侵研究［D］. 西安：西安电子科技大学， 2019.
	LI Y S. Security threat analysis and remote intrusion research of intelligent connected vehicles in complex network environment ［D］. Xi'an： Xidian University， 2019.
4	MILLER C， VALASEK C. Remote exploitation of an unaltered passenger vehicle［J］. Black Hat USA， 2015，1-91.
5	The Institution of Engineering and Technology. Serious cyber-security flaws uncovered in ford and volkswagen Cars［R］. （2020-04-09）［2022-04-15］.
6	ELKHAIL A A， REFAT R U D， HABRE R， et al. Vehicle security：a survey of security issues and vulnerabilities， malware attack and defenses［J］. IEEE Access， 2021， 9： 162401-162437.
7	GMIDEN M， GMIDEN M H， TRABELSI H. Cryptographic and intrusion detection system for automotive CAN bus： survey and contributions［C］. 2019 16th International Multi-Conference on Systems， Signals & Devices （SSD）. Piscataway： IEEE Press， 2019：158-163.
8	DIBAEI M， ZHENG X， JIANG K， et al. Attacks and defences on intelligent connected vehicles： a survey［J］. Digital Communications and Networks， 2021， 6（4）：399-421.
9	ZHANG J， JIN H， GONG L， et al. Overview of IoT security architecture［C］. 2019 4th International Conference on Data Science in Cyberspace （DSC）. Piscataway： IEEE Press， 2019：338-345.
10	SLEVI S T， VISALAKSHI P. A survey on deep learning based intrusion detection systems on internet of things［C］. 2021 5th International Conference on I-SMAC （IoT in Social， Mobile， Analytics and Cloud）（I-SMAC）. Piscataway： IEEE Press， 2021：1488-1496.
11	ISO. Road vehicle-interchange of digital information-controller area network （CAN） for high-speed communication［S］. ISO 11898，（2015-12-01）［2022-4-15］.
12	KANG T U， SONG H M， JEONG S， et al. Automated reverse engineering and attack for CAN using OBD-II［C］. IEEE 88th Vehicular Technology Conference （VTC-Fall）. Piscataway： IEEE Press， 2018：1-7.
13	AVATEFIPOUR O， MALIK H. State-of-the-art survey on in-vehicle network communication "CAN-Bus" security and vulnerabilities［J］. arXiv Preprint， arXiv：，2018.
14	ZHANG C M， ZHOU W， YIN Y T， et al. Deterministic communications for in-vehicle network： overview and challenges［C］.2021 2th International Conference on Artificial Intelligence and Information Systems. Association for Computing Machinery. New York： ACM Press， 2021：1-6.
15	YU T Q， WANG X B. Topology verification enabled intrusion detection for in-vehicle CAN-FD networks［J］. IEEE Communications Letters， 2020， 24（1）：227-230.
16	TUOHY S， GLAVIN M， HUGHES C， et al. Intra-vehicle networks： a review［J］. IEEE Transactions on Intelligent Transportation Systems， 2014， 16（2）：534-545.
17	KOSCHER K， CZESKIS A， ROESNER F， et al. Experimental security analysis of a modern automobile［C］.2010 IEEE Symposium on Security and Privacy. Piscataway： IEEE Press， 2010：447-462.
18	BHARATI S， PODDER P， MONDAL M R， et al. Threats and countermeasures of cyber security in direct and remote vehicle communication systems［J］. arXiv Preprint， arXiv：，2020.
19	于赫. 网联汽车信息安全问题及CAN总线异常检测技术研究［D］.长春：吉林大学，2016.
	YU H. Research on information security of connected vehicles and CAN bus anomaly detection technology ［D］. Changchun： Jilin University， 2016.
20	CHECKOWAY S， MCCOY D， KANTOR B， et al. Comprehensive experimental analyses of automotive attack surfaces［C］.Usenix Conference on Security. Berkeley： USENIX Association， 2011：6.
21	Tencent Keen Security Lab. Experimental security assessment on Lexus cars［R］.（2020-03-30）［2022-04-16］.
22	REGALADO D， IGLESIAS G， HSU K， et al. Zingbox identifies new cybersecurity threat for cars and drivers at defcon 26［R］.（2018-08-09）［2022-04-16］.
23	Privacy 4 Cars. Carsblues vehicle flaw found affectingmillions of vehicles worldwide［R］. （2018-11-15）［2022-04-16］.
24	Tencent Keen Security Lab. Exploit allowed hackers to take remote control of a tesla model S［R］.（2016-09-21）［2022-04-16］.
25	VANHOEF M， PIESSENS F. Denial-of-service attacks against the 4-way Wi-Fi handshake［C］. in Proc. 9th Int. Conf. Netw. Commun. Secur. Chennai， India： Academy & Industry Research Collaboration Center， 2017：1-10.
26	ROUF I， MILLER R， MUSTAFA H， et al. Security and privacy vulnerabilities of in-car wireless networks： a tire pressure monitoring system case study［C］.19th Usenix Security Symposium. Berkeley： USENIX Association， 2010： 11-13.
27	WOO S， JO H J， LEE D H. A practical wireless attack on the connected car and security protocol for in-vehicle CAN［J］. IEEE Transactions on Intelligent Transportation System， 2015， 16（2）：993-1006.
28	ORUGANTI P S， APPEL M， AHMED Q. Hardware-in-loop based automotive embedded systems cybersecurity evaluation testbed［C］. Proceedings of the ACM Workshop on Automotive Cybersecurity. New York：ACM Press， 2019：41-44.
29	BOZDAL M， SAMIE M， JENNISON I. A survey on CAN bus pro-tocol： attacks， challenges， and potential solutions［C］. International Conference on Computing， Electronics & Communications Engineering. Piscataway： IEEE Press， 2018：201-205.
30	NAVAZ A S S， SANGEETHA V， PRABHADEVI C. Entropy based anomaly detection system to prevent DDoS attacks in cloud［J］. arXiv Preprint， arXiv：，2013.
31	STUDNIA I， ALATA E， NICOMETTE V， et al. A language-based intrusion detection approach for automotive embedded networks［J］. International Journal of Embedded Systems， 2018， 10（1）：1-12.
32	JIN S Y， CHUNG J G， XU Y N. Signature-based intrusion detection system （IDS） for in-vehicle CAN bus network［C］. IEEE International Symposium on Circuits and Systems. Piscataway： IEEE Press， 2021：1-5.
33	MURVAY P S， GROZA B. Source identification using signal characteristics in controller area networks［J］. IEEE Signal Processing Letters. 2014， 21（4）： 395-399.
34	NING J， LIU J. An experimental study towards attacker identification in automotive networks［C］.2019 IEEE Global Communications Conference. Piscataway： IEEE Press， 2019： 1-6.
35	TIAN M Q， JIANG R B， XING C Q， et al. Exploiting temperature-varied ecu fingerprints for source identification in in-vehicle network intrusion detection ［C］. 2019 IEEE 38th International Performance Computing and Communications Conference （IPCCC）. Piscataway： IEEE Press， 2019：1-8.
36	ZHAO Y L， XUN Y J， LIU J J. ClockIDS： a real-time vehicle intrusion detection system based on clock skew［J］. IEEE Internet of Things Journal. 2022， 9（17）： 15593-15606.
37	MUTER M， ASAJ N. Entropy-based anomaly detection for in-vehicle networks［C］.IEEE Intelligent Vehicles Symposium. Piscataway： IEEE Press， 2011： 1110-1115.
38	于赫，秦贵和，孙铭会，等. 车载CAN总线网络安全问题及异常检测方法［J］.吉林大学学报（工学版）， 2016，46（4）：1246-1253.
	YU H， QIN G H， SUN M H， et al. Vehicle CAN bus network security issues and anomaly detection methods ［J］. Journal of Jilin University （Engineering Edition）， 2016，46（4）：1246-1253.
39	MARCHETTI M， STABILI D， GUIDO A， et al. Evaluation of anomaly detection for in-vehicle networks through information-theoretic algorithms［C］.IEEE International Forum on Research and Technologies for Society and Industry Leveraging a Better Tomorrow. Piscataway： IEEE Press， 2016： 1-6.
40	WU W F， HUANG Y， KURACHI R， et al. Sliding window optimized information entropy analysis method for intrusion detection on in-vehicle networks［J］. IEEE Access， 2018，（6）： 45233-45245.
41	OHIRA S， DESTA A， ARAI I， et al. Normal and malicious sliding windows similarity analysis method for fast and accurate IDS against DoS attacks on in-vehicle networks［J］. IEEE Access， 2020， 8：42422-42435.
42	ISLAM R， REFAT R U D， YERRAM S M， et al. Graph-Based intrusion detection system for controller area networks［J］. IEEE Transactions on Intelligent Transportation System， 2022， 23（3）：1727-1736.
43	LING C L， FENG D Q. An algorithm for detection of malicious messages on CAN buses ［C］.Proceedings of 2012 National Conference on Information Technology and Computer Science. France： Atlantis Press， 2012， 10：124-127.
44	LEE H， JEONG S， KIM H K， et al. OTIDS： a novel intrusion detection system for in-vehicle network by using remote frame［C］.Conference on Privacy Security and Trust. Piscataway： IEEE Press， 2017：57-66.
45	STABILI D， MARCHETTI M， COLAJANNI M. Detecting attacks to internal vehicle networks through hamming distance［C］. AEIT International Annual Conference. Piscataway： IEEE Press， 2017：1-6.
46	TOMLINSON A， BRYANS J， SHAIKH S A， et al. Detection of automotive CAN cyber-attacks by identifying packet timing anomalies in time windows［C］.48th Annual IEEE/IFIP International Conference on Dependable Systems and Networks Workshops， Piscataway： IEEE Press， 2018：231-238.
47	Hacking and Countermeasure Research Lab. CAN-intrusion-dataset （OTIDS）—Hacking and Countermeasure Research Lab［R］. （2017）［2022-05-21］.
48	NARAYANAN S N， MITTAL S， JOSHI A. OBD_securealert： an anomaly detection system for vehicles［C］. IEEE International Conference on Smart Computing. Piscataway： IEEE Press， 2016：1-6.
49	LEVI M， ALLOUCHE Y， KONTOROVICH A. Advanced analytics for connected car cybersecurity［C］. IEEE 87th Vehicular Technology Conference， Piscataway： IEEE Press. 2018：1-7.
50	AVATEFIPOUR O， AL-SUMAITI A S， EL-SHERBEENY A M， et al. An intelligent secured framework for cyberattack detection in electric vehicles’ CAN bus using machine learning［J］. IEEE Access， 2019， 7：127580-127592.
51	MINAWI O， WHELAN J， ALMEHMADI A， et al. Machine learning-based intrusion detection system for controller area networks［C］. Proceedings of the 10th ACM Symposium on Design and Analysis of Intelligent Vehicular Networks and Applications. New York：ACM Press， 2020：41-47.
52	ALFARDUS A， RAWAT D B. Intrusion detection system for CAN bus in-vehicle network based on machine learning algorithms［C］. IEEE 12th Annual Ubiquitous Computing， Electronics & Mobile Communication Conference. Piscataway： IEEE Press， 2021：0944-0949.
53	SEO E， SONG H M， KIM H K， et al. GIDS： GAN based intrusion detection system for in-vehicle network［C］. Annual Conference on Privacy， Security and Trust， Piscataway： IEEE Press， 2018：1-6.
54	Hacking and Countermeasure Research Lab. Car-Hacking dataset—hacking and countermeasure research Lab［R］. （2018）［2022-05-21］.
55	XIE G Q， YANG L T， LUO H B， et al. Threat analysis for automotive CAN networks： a GAN model-based intrusion detection technique［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（7）：4467-4477.
56	TAYLOR A， LEBLANC S， JAPKOWICZ N， et al. Anomaly detection in automobile control network data with long short-term memory networks［C］. IEEE International Conference on Data Science and Advanced Analytics. Piscataway： IEEE Press， 2016：130-139.
57	LONGARI S， VALCARCEL D H N， ZAGO M， et al. CANnolo： an anomaly detection system based on LSTM autoencoders for controller area network［J］. IEEE Transactions on Network and Service Management， 2021， 18（2）：1913-1924.
58	DING D F， ZHU L， XIE J Y， et al. In-vehicle network intrusion detection system based on Bi-LSTM［C］. 2022 7th International Conference on Intelligent Computing and Signal Processing （ICSP）. Piscataway： IEEE Press， 2022：580-583.
59	SONG H M， WOO J Y， KIM H K， et al. In-vehicle network intrusion detection using deep convolutional neural network［J］. Vehicular Communications， 2020， 21：100198.
60	ARAI I， OHIRA S， FUJIKAWA K， et al. Rec-CNN： In-vehicle networks intrusion detection using convolutional neural networks trained on recurrence plots［J］. Vehicular Communications， 2022， 35：100470.
61	LO W， ALQAHTANI H， THAKUR K， et al. A hybrid deep learning based intrusion detection system using spatial-temporal representation of in-vehicle network traffic［J］. Vehicular Communications， 2022， 35：100471.
62	JAVED A R， REHMAN S U， KHAN M U， et al. CANintelliIDS： detecting in-vehicle intrusion attacks on a controller area network using CNN and attention-based GRU［J］. IEEE Transactions on Network Science and Engineering， 2021， 8（2）：1456-1466.
63	ZAGO M， LONGARI S， TRICARICO A， et al. ReCAN - dataset for reverse engineering of controller area net-works ［J］. Data in Brief， 2020，29：105149.

[1]	HAO Han, WANG Si-南, LI Xiao, LIU Zong-Wei, ZHAO Fu-Quan. [J]. , 2017, 39(1): 1 -8 .
[2]	XU Cheng-Shan, JIANG Fa-Chao, SONG Sen-Nan, TIAN Guang-Yu. [J]. , 2017, 39(1): 9 -14 .
[3]	ZHANG Lei, ZHANG Jin-Qiu, LUO Tao, BI Zhan-Dong, YAO Jun. [J]. , 2016, 38(12): 1494 -1499 .
[4]	FENG Chong, ZHANG Dong-Hao, LUO Yu-Gong, LI Ke-Qiang. [J]. , 2017, 39(1): 66 -72 .
[5]	YU Zhuo-Ping, HAN Wei, XIONG Lu. [J]. , 2017, 39(1): 52 -60 .
[6]	DAI Xiao-Ye, AN Qing-Song, SHI Lin, DI Hui-Xing. [J]. , 2017, 39(2): 121 -126 .
[7]	ZHANG Zhong-Shi, WANG Li-Fang, ZHANG Jun-Zhi. [J]. , 2017, 39(3): 288 -295 .
[8]	Liqiang JIN. Estimation of Vehicle Sideslip, Tire force Based on Interacting Multiple Model Algorithm under Extreme Driving condition[J]. , 0, (): 0 .
[9]	MA Cong-Cheng, LAN Feng-Chong, CHEN Ji-Qing. [J]. , 2017, 39(4): 432 -439 .
[10]	LI Ling, SHI Shu-Ming, WANG Xian-Bin, ZHANG Xiang-Dong. [J]. , 2017, 39(4): 440 -446 .

网络类别	网络标准	通信速度	成本
A类低速网络	TTP/A、LIN	小于10 Kbps	低
B类中速网络	低速CAN、VAN	10 Kbps-125 Kbps	低
C类高速网络	高速CAN、CAN-FD、TTP/C、FlexRay	125 Kbps-1 Mbps	中
D类多媒体网络	MOST、蓝牙、ZigBee	250 Kbps-100 Mbps	高
E类安全应用网络	Bytelight	10 Mbps	高

车载网络类型	最大带宽	支持节点个数	拓扑结构	容错性	威胁程度	主要应用部位
CAN	1 Mbps	128	总线型	高	高	发动机、自动变速器、ABS系统、安全气囊、车灯、中央门锁等
LIN	19.2 Kbps	16	总线型（单线）	低	低	车门、车窗升降、灯光、空调等
FlexRay	10 Mbps	大于16	总线型、星型、混合型	高	高	安全雷达、车轮驱动、转向传感器、辅助控制系统等
MOST	150 Mbps	64	环形	高	高	音频模块、导航系统、娱乐系统等
车载以太网	1 Gbps（预计）	未指定	菊花链型、星型、树型	高	高	激光雷达、安全雷达、ECU闪存接口等

攻击方式	威胁程度	防护难度	攻击结果
嗅探攻击	中	高	用户隐私信息和车辆信息泄露
DoS攻击	高	低	大量高优先级报文占用CAN网络，造成通信故障甚至车载的网络崩溃
重放攻击	高	中	未作修改的报文重放CAN网络中，使网络负载率和ID熵增加，影响通信功能
篡改攻击	高	中	将CAN网络中报文的内容修改，产生错误帧和信号，影响通信功能
消息注入攻击	高	中	直接向CAN网络中注入恶意报文，网络负载率和ID熵增加，使汽车内部功能紊乱甚至导致汽车瘫痪
欺骗攻击	高	中	将欺骗性报文注入到CAN网络，使网络负载率和ID熵增加，导致汽车突然失控
丢弃攻击	高	高	直接删除CAN网络中的报文，ID熵降低，可能使汽车某些重要功能失效
模糊攻击	高	高	将变异算法转换的随机数据注入到CAN网络中，使网络负载率和ID熵增加
伪装攻击	高	中	模拟节点向车载网络发送伪造的报文，使网络负载率和ID熵增加

文献	时间	检测技术	检测的攻击方式	存在的问题	数据集来源	数据集是否开源
［37］	2011	信息熵、相对熵	DoS、伪装和消息注入攻击	检测小规模攻击模式的能力有限	实车数据	否
［38］	2016	信息熵、CAN报文相对距离	DoS和重放攻击	检测技术的灵敏性不足	软件模拟数据	否
［39］	2016	信息熵、熵值偏离程度	消息注入和模糊攻击	检测小量伪装攻击消息的能力有限	实车数据	否
［40］	2018	信息熵、模拟退火算法优化滑动窗口	DoS和消息注入攻击	需考虑车辆运行状态对信息熵的影响	实车数据	［47］
［41］	2022	图形论、卡方检验、统计分析	DoS、欺骗、模糊和重放攻击	检测所用图形属性较单一	实车数据	否
［42］	2020	信息熵、滑动窗口相似性	DoS攻击	检测系统的功能较单一	实车数据	［47］
［43］	2012	检测异常CAN ID和频率	DoS和消息注入攻击	检测小规模攻击模式的能力有限	软件模拟数据	否
［44］	2017	远程帧请求与响应之间的偏移率和时间间隔	DoS和模糊攻击	未给出该系统的检测精度和其他性能指标	实车数据	［47］
［45］	2017	ID相同且连续的CAN消息有效载荷之间的汉明距离	欺骗和消息注入攻击	对重放攻击的检测能力有限	实车数据	否
［46］	2018	时间序列算法、检查CAN ID广播间隔的变化	重放和消息注入攻击	需优化阈值、模型因子和参数来提高性能	实车数据	否

An Overview of Intrusion Detection Methods for In-Vehicle CAN Network of Intelligent Networked Vehicles

RichHTML

PDF (PC)

Like

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 11

References 63

Related Articles 9

Metrics

Comments

Recommended 10

文献	年份	检测技术	检测的攻击方式	存在的问题	数据集来源	数据集是否开源
［33］	2014	低通滤波、均方误差和卷积	未说明	没有实际攻击实验检测方法的可行性	实车数据	否
［34］	2019	CAN帧电压的物理特征	未说明	未给出检测的具体是何种攻击类型	实车数据	否
［35］	2019	ECU的时钟偏移随温度变化的规律	伪装攻击	无法检测到非周期性的ID	实车数据	否
［36］	2022	ECU时钟偏移	欺骗、丢弃、伪装攻击	无法检测到非周期性的ID	实车数据	否

[1]	Shurui Guan,Keqiang Li,Junyu Zhou,Jia Shi,Weiwei Kong,Yugong Luo. A Cooperative Lane Change Strategy for Intelligent Connected Vehicles Oriented to Mandatory Lane Change Scenarios [J]. Automotive Engineering, 2024, 46(2): 201-210.
[2]	Shengbo Eben Li,Guojian Zhan,Yuxuan Jiang,Zhiqian Lan,Yuhang Zhang,Wenjun Zou,Chen Chen,Bo Cheng,Keqiang Li. Key Technologies of Brain-Inspired Decision and Control Intelligence for Autonomous Driving Systems [J]. Automotive Engineering, 2023, 45(9): 1499-1515.
[3]	Yougang Bian,Tiantian Zhang,Heping Xie,Hongmao Qin,Zeyu Yang. Anti-disturbance and Anti-corner-cutting Control for Collaborative Path Tracking of Vehicle Platoon [J]. Automotive Engineering, 2023, 45(8): 1320-1332.
[4]	Yingxiang Cui, Youtong Zhang, Hongqian Wei. An Intrusion Detection System for In-vehicle CAN Network Based on Sample Entropy [J]. Automotive Engineering, 2023, 45(7): 1184-1191.
[5]	Wenqin Zhong,Weiwei Kong,Zhiheng Li,Jie Yu,Yugong Luo. Reservation Based Multi-Vehicle Cooperative Control at Traffic-Lightless Intersection Under Different Penetration of Mixed Traffic Flow [J]. Automotive Engineering, 2022, 44(8): 1144-1152.
[6]	Yihe Chen,Weiwei Kong,Jie Yu,Keqiang Li,Yugong Luo. Reservation-based Vehicle Platoon Control at Unsignalized Intersections Under Mixed Traffic Condition [J]. Automotive Engineering, 2022, 44(7): 953-959.
[7]	Zhiguo Zhao,Yuan Li,Haorui Hu,Peng Wang,Xiaorong Chen. Detection of Driver’s Abnormal Behavior Under Emergent Collision Avoidance Conditions [J]. Automotive Engineering, 2022, 44(3): 412-425.
[8]	Biao Yang,Fucheng Fan,Jicheng Yang,Yingfeng Cai,Hai Wang. Recognition of Pedestrians’ Street⁃crossing Intentions Based on Action Prediction and Environment Context [J]. Automotive Engineering, 2021, 43(7): 1066-1076.
[9]	Hongwei Xue,Ying Liu,Weichao Zhuang,Guodong Yin. A Detection Method of Vehicular Abnormal Behaviors in V2X Environment Based on Stacking Ensemble Learning [J]. Automotive Engineering, 2021, 43(4): 501-508.