پیشرفت‌های فناورانه در حوزه محاسبات موبایلی، ارتباطات بی‌سیم و فناوری‌های سنجش از راه دور، بستر گسترش و بهبود سامانه‌های حمل‌ونقل هوشمند را فراهم کرده است. با این حال، همین تحول باعث شده تا خودروهای مدرن به دلیل افزایش قابلیت‌ها و اتصال گسترده به شبکه‌ها، در معرض انواع حملات سایبری قرار گیرند. شبکه‌های درون‌خودرویی مانند CAN bus به دلیل فقدان معماری امنیتی مناسب، بیشترین آسیب‌پذیری را دارند و می‌توانند هدف حملات جدی قرار گیرند. از این رو، نیاز به طراحی مدل‌های سبک‌وزن و منعطف برای شناسایی به‌موقع ناهنجاری‌ها بیش از گذشته احساس می‌شود. برای مقابله با این تهدیدات، بررسی جنبه‌های زمانی و مکانی حملات نقش مهمی در طراحی سیستم‌های دفاعی ایفا می‌کند. در این راستا، توسعه مدل‌های سبک که توانایی شناسایی دقیق ناهنجاری‌ها در چرخه‌های کاری عادی و حساس شبکه CAN را داشته باشند، می‌تواند نقطه عطفی در امنیت خودروهای هوشمند محسوب شود. یکی از راهکارهای کارآمد، بهینه‌سازی فضای ویژگی از طریق استخراج ویژگی‌های جدید است که با ترکیب الگوریتم ژنتیک دوپارامتری و آنتروپی شانون امکان‌پذیر می‌شود. این رویکرد سبب می‌شود داده‌های پیچیده‌تر با دقت بالاتر تحلیل شوند و الگوهای حملات احتمالی به‌خوبی تشخیص داده شوند. گام بعدی برای ارتقای عملکرد سیستم، بهره‌گیری از ترکیب هم‌افزای چندین طبقه‌بند یادگیری ماشین تحت چارچوب عملگرهای OWA است که موجب بهبود نتایج و کاهش خطاها می‌شود. در کنار این، انجام تحلیل‌های مقایسه‌ای جامع با مدل‌های پیشین و روش‌های روز، نشان داده است که چارچوب پیشنهادی نه‌تنها بالاترین دقت و امتیاز F1 را ارائه می‌دهد، بلکه هزینه محاسباتی پایین‌تری نیز نسبت به سایر مدل‌ها دارد. چنین دستاوردی می‌تواند امنیت سایبری سامانه‌های حمل‌ونقل هوشمند را به سطحی بالاتر ارتقا دهد و اعتماد بیشتری در استفاده از خودروهای متصل و آینده‌نگر ایجاد کند.