Buchumschlag

CAN-QA: A Question-Answering Benchmark for Reasoning over In-Vehicle CAN Traffic

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Jing, Deevi, Abhijay, Gungor, Onat, Rosing, Tajana
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CyberMaskQA: A Privacy-Aware Benchmark for Evaluating Large Language Models in Cybersecurity Question Answering
von: Gaddi, Matilda, et al.
Veröffentlicht: (2026)

CND-IDS: Continual Novelty Detection for Intrusion Detection Systems
von: Fuhrman, Sean, et al.
Veröffentlicht: (2025)

SAFE: Self-Supervised Anomaly Detection Framework for Intrusion Detection
von: Li, Elvin, et al.
Veröffentlicht: (2025)

EAGER: Edge-Aligned LLM Defense for Robust, Efficient, and Accurate Cybersecurity Question Answering
von: Gungor, Onat, et al.
Veröffentlicht: (2025)

AQUA-LLM: Evaluating Accuracy, Quantization, and Adversarial Robustness Trade-offs in LLMs for Cybersecurity Question Answering
von: Gungor, Onat, et al.
Veröffentlicht: (2025)

INTARG: Informed Real-Time Adversarial Attack Generation for Time-Series Regression
von: Tokgoz, Gamze Kirman, et al.
Veröffentlicht: (2026)

ReLATE: Resilient Learner Selection for Multivariate Time-Series Classification Against Adversarial Attacks
von: Kocal, Cagla Ipek, et al.
Veröffentlicht: (2025)

ACORN-IDS: Adaptive Continual Novelty Detection for Intrusion Detection Systems
von: Fuhrman, Sean, et al.
Veröffentlicht: (2026)

SAGE: Sample-Aware Guarding Engine for Robust Intrusion Detection Against Adversarial Attacks
von: Chen, Jing, et al.
Veröffentlicht: (2025)

LIGHT-HIDS: A Lightweight and Effective Machine Learning-Based Framework for Robust Host Intrusion Detection
von: Gungor, Onat, et al.
Veröffentlicht: (2025)

CITADEL: Continual Anomaly Detection for Enhanced Learning in IoT Intrusion Detection
von: Li, Elvin, et al.
Veröffentlicht: (2025)

DYNAMITE: Dynamic Defense Selection for Enhancing Machine Learning-based Intrusion Detection Against Adversarial Attacks
von: Chen, Jing, et al.
Veröffentlicht: (2025)

ReLATE+: Unified Framework for Adversarial Attack Detection, Classification, and Resilient Model Selection in Time-Series Classification
von: Kocal, Cagla Ipek, et al.
Veröffentlicht: (2025)

CAN-Trace Attack: Exploit CAN Messages to Uncover Driving Trajectories
von: Lin, Xiaojie, et al.
Veröffentlicht: (2025)

A Comprehensive Guide to CAN IDS Data & Introduction of the ROAD Dataset
von: Verma, Miki E., et al.
Veröffentlicht: (2020)

Evaluating lightweight unsupervised online IDS for masquerade attacks in CAN
von: Moriano, Pablo, et al.
Veröffentlicht: (2024)

Deep Learning-based Embedded Intrusion Detection System for Automotive CAN
von: Khandelwal, Shashwat, et al.
Veröffentlicht: (2024)

Evaluating False Alarm and Missing Attacks in CAN IDS
von: Hossain, Nirab, et al.
Veröffentlicht: (2026)

A Lightweight Multi-Attack CAN Intrusion Detection System on Hybrid FPGAs
von: Khandelwal, Shashwat, et al.
Veröffentlicht: (2024)

ByCAN: Reverse Engineering Controller Area Network (CAN) Messages from Bit to Byte Level
von: Lin, Xiaojie, et al.
Veröffentlicht: (2024)

An Optimal Cascade Feature-Level Spatiotemporal Fusion Strategy for Anomaly Detection in CAN Bus
von: Fatahi, Mohammad, et al.
Veröffentlicht: (2025)

A Lightweight FPGA-based IDS-ECU Architecture for Automotive CAN
von: Khandelwal, Shashwat, et al.
Veröffentlicht: (2024)

Exploring Highly Quantised Neural Networks for Intrusion Detection in Automotive CAN
von: Khandelwal, Shashwat, et al.
Veröffentlicht: (2024)

SoK: Kicking CAN Down the Road. Systematizing CAN Security Knowledge
von: Serag, Khaled, et al.
Veröffentlicht: (2025)

AI-Driven Intrusion Detection Systems (IDS) on the ROAD Dataset: A Comparative Analysis for Automotive Controller Area Network (CAN)
von: Guerra, Lorenzo, et al.
Veröffentlicht: (2024)

Evaluating Lightweight Block Cipher Payload Encryption for Real-Time CAN Traffic
von: Setterstrom, Kevin, et al.
Veröffentlicht: (2026)

Membership Inference Attacks for Retrieval Based In-Context Learning for Document Question Answering
von: Kulkarni, Tejas, et al.
Veröffentlicht: (2026)

GUARD-CAN: Graph-Understanding and Recurrent Architecture for CAN Anomaly Detection
von: Kim, Hyeong Seon, et al.
Veröffentlicht: (2025)

ATHENA: An In-vehicle CAN Intrusion Detection Framework Based on Physical Characteristics of Vehicle Systems
von: Wang, Kai, et al.
Veröffentlicht: (2025)

PacketCLIP: Multi-Modal Embedding of Network Traffic and Language for Cybersecurity Reasoning
von: Masukawa, Ryozo, et al.
Veröffentlicht: (2025)

MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification
von: Chen, Xu-Yang, et al.
Veröffentlicht: (2024)

TS-OOD: Evaluating Time-Series Out-of-Distribution Detection and Prospective Directions for Progress
von: Gungor, Onat, et al.
Veröffentlicht: (2025)

Development of Multistage Machine Learning Classifier using Decision Trees and Boosting Algorithms over Darknet Network Traffic
von: Nair, Anjali Sureshkumar, et al.
Veröffentlicht: (2024)

CAN Networks Security in Smart Grids Communication Technologies
von: Baharia, Ayman W., et al.
Veröffentlicht: (2025)

Benchmarking Frameworks and Comparative Studies of Controller Area Network (CAN) Intrusion Detection Systems: A Review
von: Sharmin, Shaila, et al.
Veröffentlicht: (2024)

FedLiTeCAN : A Federated Lightweight Transformer for Fast and Robust CAN Bus Intrusion Detection
von: S, Devika, et al.
Veröffentlicht: (2025)

Effective and Efficient Cross-City Traffic Knowledge Transfer: A Privacy-Preserving Perspective
von: Zeng, Zhihao, et al.
Veröffentlicht: (2025)

MERLOT: A Distilled LLM-based Mixture-of-Experts Framework for Scalable Encrypted Traffic Classification
von: Chen, Yuxuan, et al.
Veröffentlicht: (2024)

The Vehicle May Be Sick: Denial of Diagnostic Services by Exploiting the CAN Transport Protocol
von: Baek, Seungjin, et al.
Veröffentlicht: (2026)

Top Score on the Wrong Exam: On Benchmarking in Machine Learning for Vulnerability Detection
von: Risse, Niklas, et al.
Veröffentlicht: (2024)