传统的车载 CAN 与 CAN-FD 物理总线诞生于上世纪 80 年代，其底层协议在设计之初完全未考虑任何现代网络安全防御：总线仲裁纯粹依靠仲裁 ID 的数值大小决定发送优先级，接入物理总线的任何一颗节点均可随意广播伪造任意报文。随着智能网联时代的到来，黑客通过车联网云端漏洞击穿 5G T-Box 之后，便可横向跳板渗透到底盘动力安全网络。本文深度拆解如何在资源极其受限的车载微控制器上，构建一套单帧分析推理时延低于 50 微秒的超高速嵌入式机器学习入侵检测引擎。
由于车载 CAN 信号大多采用跨字节高度紧凑压缩的位域编码，直接将原始二进制载荷灌入神经网络很难实现高效收敛。在车规入侵检测工程中，最具辨识度的核心物理特征是硬件纳秒级时间戳差值（`Delta_t = t_n - t_{n-1}`）。通过在微控制器内部为每个受保护的 CAN ID 维护一个大小为 16 的滑动时间窗口，算法能够精确刻画出正规原厂 ECU 硬件石英晶体振荡器特有的物理温漂微小扰动特征（Clock Drift Signature）。当黑客通过外接单片机向总线注入伪造数据包时，该物理晶振时序连续性特征被瞬间破坏打破，轻量级量化分类器能够在仅仅 2 帧报文内准确识别出物理设备伪造并激活拦截。