Τα αυτόνομα οχήματα χρησιμοποιούν έναν συνδυασμό αισθητήρων υψηλής τεχνολογίας και καινοτόμων αλγορίθμων για τον εντοπισμό και την απόκριση στο περιβάλλον τους, συμπεριλαμβανομένων ραντάρ, φωτός λέιζερ / LIDAR, GPS, οδομετρίας, συστημάτων ελέγχου από καλώδιο και όρασης υπολογιστή. Με άλλα λόγια, στον πυρήνα του, ένα αυτοκινούμενο αυτοκίνητο είναι ένα μείγμα δικτυωμένων εξαρτημάτων, ορισμένα υπάρχοντα μέσα στο αυτοκίνητο και άλλα υπάρχοντα έξω από αυτό. Αυτά τα πολύπλοκα συστήματα δίνουν στα αυτοκινούμενα αυτοκίνητα τα δεδομένα και τη διάνοια για τη λήψη αυτόνομων αποφάσεων ― αλλά δημιουργούν επίσης διανύσματα επίθεσης για χάκερ που προσπαθούν να εκμεταλλευτούν αυτήν την αναδυόμενη τεχνολογία.

Δεν είναι υποτιμητικό να υποδηλώνουμε ότι η ασφάλεια στον κυβερνοχώρο είναι ένα κρίσιμο συστατικό για την εξασφάλιση επιτυχούς διείσδυσης των αυτοκινούμενων αυτοκινήτων από τους καταναλωτές. Μια πρόσφατη έρευνα AAA για τους οδηγούς των ΗΠΑ έδειξε ότι το 75% θα αισθανόταν « φοβισμένος Ιππασίας σε αυτο-οδηγούμενο αυτοκίνητο, κυρίως λόγω ανησυχιών σχετικά με την ασφάλεια. Σε μια ομιλία του 2016, η CEO της GM Mary Barra αναγνωρίζεται ότι «ένα περιστατικό στον κυβερνοχώρο είναι πρόβλημα για κάθε αυτοκινητοβιομηχανία στον κόσμο… είναι ζήτημα δημόσιας ασφάλειας». Ακόμα και τα μη αυτόνομα οχήματα είναι αποτελείται έως και 100 εκατομμύρια γραμμές κώδικα, που κατανέμονται σε εκατοντάδες ηλεκτρικά εξαρτήματα που επικοινωνούν μέσω ενός εσωτερικού δικτύου.

Σε αυτό το άρθρο, παρουσιάζουμε μια ευρεία επισκόπηση του τρόπου με τον οποίο οι αυτοκινητοβιομηχανίες μπορούν να χρησιμοποιήσουν μια νέα κατηγορία αλγοριθμικών τεχνικών για την ασφάλεια αυτοκινούμενων αυτοκινήτων: μηχανική μάθηση. Αυτά τα συστήματα έχουν ήδη αρχίσει να διαδραματίζουν ρόλο στην ασφάλεια στον κυβερνοχώρο και έχουν αναπτυχθεί αλγόριθμοι για την ανίχνευση ανωμαλιών δικτύου, συμπεριλαμβανομένων των συστημάτων ανίχνευσης εισβολής (IDS), της προστασίας από κακόβουλα προγράμματα και της ανάλυσης συμπεριφοράς. Τα συστήματα μηχανικής μάθησης διαδραματίζουν θεμελιώδη ρόλο στην πραγματοποίηση της αυτόνομης οδήγησης ― αλλά έχουν επίσης ρόλο να παίξουν στην προστασία των αυτοκινήτων και των οδηγών τους.

Γιατί τα Αυτοκίνητα Αυτοκίνητα είναι ευάλωτα

Για να αξιοποιήσουν τις δυνατότητές τους, τα αυτόνομα αυτοκίνητα βασίζονται σε μια ολοκληρωμένη σουίτα αισθητήρων που έχει σχεδιαστεί για να εγγυάται περιβαλλοντική / επίγνωση της κατάστασης. Φυσικά, οι εγκέφαλοι πίσω από τη λειτουργία είναι υπολογιστές.

Μόλις πριν από μια δεκαετία, η αυτοκινητοβιομηχανία χρησιμοποίησε επεξεργαστές χαμηλής ισχύος που θα μπορούσαν να χειριστούν βασικές λειτουργίες χρησιμοποιώντας ένα βιομηχανικό πρότυπο λεωφορείο. Αλλά τα σημερινά οχήματα διατίθενται με πολύ πιο ισχυρά σχέδια System-on-Chip (SoC) που είναι σε θέση να κάνουν πολύ περισσότερα. Τα αυτόνομα αυτοκίνητα προχωρούν ένα βήμα παραπέρα, καθώς απαιτούν αρκετή ισχύ επεξεργασίας για να λαμβάνουν κρίσιμες αποφάσεις βάσει της αισθητηριακής εισόδου.

Ωστόσο, η πρόσθετη πολυπλοκότητα έρχεται σε βάρος της αυξημένης ευπάθειας. Πριν από δύο χρόνια, οι ερευνητές ασφαλείας Charlie Miller και Chris Valasek αποδεικνύεται πώς ένα Jeep Cherokee μπορεί να χακαριστεί από απόσταση μέσω της σύνδεσής του στο Διαδίκτυο. Το δίδυμο κατάφερε να παραλύσει το αυτοκίνητο σε έναν αυτοκινητόδρομο, από απόσταση. Σε μια σειρά πειραμάτων, έδειξαν ότι ένας χάκερ είτε με ενσύρματη είτε μέσω διαδικτύου πρόσβαση σε ένα όχημα - συμπεριλαμβανομένων δημοφιλών μοντέλων όπως το Toyota Prius, το Ford Escape και το Jeep Cherokee - θα μπορούσε να απενεργοποιήσει ή να ενεργοποιήσει τα φρένα ενός στοχευμένου οχήματος, Γυρίστε το τιμόνι ή, σε ορισμένες περιπτώσεις, προκαλεί επιτάχυνση.

Οι επιθέσεις των Miller και Valasek βασίστηκαν στην εκμετάλλευση των στοιχειωδών αυτοματοποιημένων χαρακτηριστικών των επηρεαζόμενων οχημάτων. Για παράδειγμα, χρησιμοποίησαν το σύστημα αποφυγής σύγκρουσης της Toyota για να εφαρμόσουν φρένα στο Prius, το σύστημα ελέγχου κρουαζιέρας του Jeep για επιτάχυνση, και το αυτοματοποιημένο σύστημα στάθμευσης του Jeep για να γυρίσει το τιμόνι, εξαπατώντας το αυτοκίνητο να σκεφτεί ότι ήταν αυτόνομο παρκάρισμα, ακόμα κι αν ήταν κάνοντας 80 μίλια την ώρα κατά τη διάρκεια της δοκιμής.

Με άλλα λόγια, αυτές οι παραβιάσεις περιορίστηκαν σε μερικές λειτουργίες που ελέγχονται από τους ενσωματωμένους υπολογιστές στα τυπικά αυτοκίνητα. Θεωρητικά, με ένα αυτόνομο αυτοκίνητο, θα ήταν δυνατό να χαράξουμε κάθε πτυχή της λειτουργικότητας του αυτοκινήτου, επειδή όλα τα συστήματα ελέγχου διαχειρίζονται από έναν υπολογιστή.

Πιθανά διανύσματα επίθεσης

Πώς θα στοχεύουν οι χάκερ αυτόνομα οχήματα; Κακόβουλες εντολές θα μπορούσαν να προκύψουν από διάφορες διαφορετικές πηγές. Τα αξεσουάρ είναι μια σημαντική πηγή κινδύνου: η θύρα ODB-II, ένα εξάρτημα σε όλα τα σύγχρονα οχήματα, ήταν μεταχειρισμένος από ερευνητές ασφαλείας από το Πανεπιστήμιο της Καλιφόρνιας στο Σαν Ντιέγκο για να συνδέσουν ένα gadget συνδεδεμένο στο διαδίκτυο, το οποίο επέτρεψε σε έναν απομακρυσμένο εισβολέα να εισέλθει στα πιο ευαίσθητα συστήματα του οχήματος.

Αυτός ο κίνδυνος αυξάνεται σήμερα. Ενώ η πρόσβαση των θυρών ODB-II σπάνια γίνεται από τους καταναλωτές, τα σύγχρονα οχήματα αποστέλλονται όλο και περισσότερο με θύρες USB και τεχνολογίες όπως το Bluetooth, οι οποίες αποσκοπούν στο να διευκολύνουν την επικοινωνία των αυτοκινήτων με αξεσουάρ. Αυτό αυξάνει τον κίνδυνο να προκληθεί ακούσια κακόβουλο λογισμικό στο όχημα.

Αυτοκινούμενα αυτοκίνητα θα μπορούσαν επίσης να παραβιαστούν από εξωτερικούς φορείς. Η επικοινωνία V2V (όχημα σε όχημα) είναι ένα εξελισσόμενο παράδειγμα στο οποίο αρχίζουν οι αυτοκινητοβιομηχανίες παρουσιάζω στα σημερινά οχήματα, επιτρέποντας σε κάθε αυτοκίνητο να επικοινωνεί με άλλους στο δρόμο για να μοιράζεται δεδομένα σχετικά με τη ροή της κυκλοφορίας, τα ατυχήματα μπροστά ή τον κακό καιρό. Αυτά τα κανάλια επικοινωνίας είναι μια ανεκτίμητη πηγή δεδομένων για τα συστήματα καθοδήγησης και ελέγχου των αυτόνομων οχημάτων, αλλά θα τα κάνουν πολύ περισσότερα ευαίσθητος να επιτεθείτε ή να παρακολουθείτε.

Πώς η Μηχανική Μάθηση μπορεί να προστατεύσει Αυτοκίνητα Αυτοκίνητα

Όπως συμβαίνει με όλες τις εφαρμογές της μηχανικής μάθησης, το πρώτο βήμα για την ανάπτυξη τεχνητής νοημοσύνης για την καταπολέμηση των κινδύνων ασφαλείας σε αυτόνομα οχήματα είναι η συλλογή και η αποθήκευση των σωστών δεδομένων. Εάν το εσωτερικό δίκτυο ενός αυτοκινήτου παρακολουθείται χρησιμοποιώντας μια πλατφόρμα ικανή να αποθηκεύει και να αναλύει αρχεία καταγραφής, το ίδιο το όχημα μπορεί να εντοπίσει κακόβουλη δραστηριότητα και να αποτρέψει επιθέσεις ― ή τουλάχιστον, να ειδοποιήσει τους οδηγούς και να μετριάσει τον αντίκτυπό τους.

Ένα παράδειγμα μιας αποτελεσματικής πλατφόρμας ικανής να αποθηκεύει και να αναλύει αρχεία καταγραφής είναι Ελαστική αναζήτηση , το οποίο χρησιμοποιείται ευρέως στην ασφάλεια. Το παρακάτω διάγραμμα δείχνει πώς τα αρχεία καταγραφής χρηστών ενός αυτοκινήτου θα μπορούσαν να ρέουν σε μια βάση δεδομένων Elasticsearch, η οποία θα επέτρεπε την αλγοριθμική ανίχνευση πιθανών εκμεταλλεύσεων.

Μόλις διαμορφωθεί ένα αυτόνομο όχημα για τη συλλογή και αποθήκευση αρχείων καταγραφής χρηστών, η μηχανική εκμάθηση εισάγει την εικόνα για να εντοπίσει τυχόν ανωμαλίες. Ένα μοντέλο ανίχνευσης επίθεσης είναι μια πλατφόρμα ικανή να αναλύει σήματα και δεδομένα υπηρεσιών που λαμβάνονται από τον εξωτερικό κόσμο μέσω σύνδεσης στο Διαδίκτυο ή θύρες στο αυτοκίνητο. Αυτοί οι αλγόριθμοι μπορούν να χρησιμοποιηθούν για τον εντοπισμό δραστηριοτήτων κακόβουλου λογισμικού, συμπεριφοράς επικοινωνίας ή ασυνήθιστων εντολών όπως η ενεργοποίηση της λειτουργίας στάθμευσης ενώ το αυτοκίνητο βρίσκεται σε αυτοκινητόδρομο.

Επειδή ένα δίκτυο οχημάτων είναι ένα ιδιόκτητο σύστημα που κάνει ένα πράγμα, αντί για ένα τυπικό δίκτυο υπολογιστών που δέχεται μια ποικιλία εισόδων χρήστη, η ψηφιακή επικοινωνία ενός αυτοκινήτου είναι πιο προβλέψιμη από αυτήν ενός τυπικού δικτύου υπολογιστών. Ως εκ τούτου, είναι εφικτό να χρησιμοποιηθούν τακτικές όπως η μη εποπτευόμενη μηχανική εκμάθηση στην εκπαίδευση ενός αλγορίθμου για τη διαφοροποίηση ενός κακόβουλου εκμεταλλεύματος από την «κανονική συμπεριφορά οδήγησης» με πρόσφορο και ακριβή τρόπο, επιτρέποντας στο όχημα να ειδοποιεί τον οδηγό ή να αποτρέπει την επίθεση.

Μελέτη περίπτωσης: Η μηχανική εκμάθηση μπορεί να ανιχνεύσει και να αποτρέψει επιθέσεις

Ένα παράδειγμα μιας συσκευής «μάθησης και πρόληψης» που λειτουργεί σε ένα όχημα είναι η λύση κατά της εισβολής αναπτηγμένος από τους Miller και Valasek. Αυτή η συσκευή είναι ένα σύστημα ανίχνευσης εισβολής για οχήματα με ορισμένα αυτοματοποιημένα χαρακτηριστικά.

Η συσκευή βασίζεται σε έναν μικροελεγκτή γενικής χρήσης NXP, με μια απλή πλακέτα που είναι συνδεδεμένη στη θύρα OBD-II. Λειτουργεί με λειτουργία παρατήρησης για τα πρώτα λεπτά της οδήγησης, επιτρέποντας στη συσκευή να καταγράφει τα τυπικά μοτίβα δεδομένων ενός οχήματος. Στη συνέχεια, μεταβαίνει σε λειτουργία ανίχνευσης για την παρακολούθηση του συστήματος για ανωμαλίες, όπως ένα ασυνήθιστο σήμα πλημμύρας ή εντολή. Εάν εντοπίσει ένα 'κακό' σήμα, βάζει το αυτοκίνητο σε 'ακινητοποιημένη λειτουργία', ουσιαστικά κλείνοντας το δίκτυό του και απενεργοποιώντας ορισμένες λειτουργίες, όπως υδραυλικό τιμόνι και λωρίδα υποβοήθησης έως ότου επανεκκινήσει το όχημα.

Αφού εντοπιστεί η ανωμαλία, μπορούν να ενεργοποιηθούν δύο διαφορετικές ενέργειες: πρόληψη και προειδοποίηση.

ο Πρόληψη Το module χρησιμοποιείται για να «πει» στο αυτοκίνητο ότι πρέπει να αγνοήσει τις απατεώνες εντολές και μπορεί να χρησιμοποιηθεί για να εμποδίσει τους επιτιθέμενους που προσπαθούν να χρησιμοποιήσουν την ίδια προσέγγιση. ο Συναγερμός Η μονάδα χρησιμοποιείται για την αποστολή (ή εμφάνιση) ειδοποιήσεων σε πραγματικό χρόνο, επιτρέποντας στους οδηγούς να αναλάβουν δράση ή να ενημερώσουν αυτόματα τις αρχές για την επίθεση. Αυτή η μονάδα μπορεί να επεκταθεί με το ταμπλό ενσωματωμένο στο αυτοκίνητο.

διαφορά μεταξύ c και s corp

Σε γενικές γραμμές, οι ψηφιακές επικοινωνίες ενός αυτοκινήτου είναι πολύ πιο προβλέψιμες από αυτές ενός τυπικού δικτύου υπολογιστών και αυτό είναι ένα τυχερό γνώρισμα όσον αφορά την ασφάλεια στον κυβερνοχώρο. Επειδή υπάρχει λιγότερη διακύμανση σήματος στον κόσμο της αυτοκινητοβιομηχανίας, τείνει να είναι προφανές όταν συμβαίνει κάτι από το συνηθισμένο.

Η αυτο-οδήγηση ασφάλεια είναι ζωτικής σημασίας και η μηχανική εκμάθηση μπορεί να βοηθήσει

Η παραβίαση αυτοκινούμενων αυτοκινήτων θα μπορούσε να έχει πολύ πιο σοβαρές συνέπειες από τα παραβιασμένα μηνύματα ηλεκτρονικού ταχυδρομείου ή ακόμη και τους αριθμούς κλεμμένων πιστωτικών καρτών. Τα αυτόνομα αυτοκίνητα που εκμεταλλεύονται κακόβουλο κώδικα θα μπορούσαν να προκαλέσουν πραγματική σωματική βλάβη και αυτές οι ευπάθειες θεωρητικά θα μπορούσαν να αξιοποιηθούν όχι μόνο από κλέφτες αυτοκινήτων, αλλά και από αδίστακτα έθνη και τρομοκράτες, που θέλουν να διαταράξουν την υποδομή και να προκαλέσουν χάος.

Αυτό το άρθρο εξέτασε τις προκλήσεις ασφαλείας που αντιμετωπίζουν τα αυτοκίνητα χωρίς οδηγό σήμερα και περιγράφει μερικούς τρόπους με τους οποίους η βιομηχανία θα μπορούσε να τα αντιμετωπίσει. Μία μακροπρόθεσμη κατεύθυνση που μπορεί να ακολουθήσει η βιομηχανία για να εξασφαλίσει τη μέγιστη ασφάλεια στα αυτόνομα οχήματα είναι το cloud computing. Αυτό θα απαιτούσε εξαιρετικά χαμηλό λανθάνοντα χρόνο, υψηλή διαθεσιμότητα και μεγάλο εύρος ζώνης, διότι η επεξεργασία και η ανάλυση συμπεριφορών μέσα και έξω από το αυτοκίνητο είναι πάρα πολύ για να αφεθούν σε ενσωματωμένους υπολογιστές.

Η μετάβαση σε δίκτυα δεδομένων 5G, σε συνδυασμό με την ευελιξία της ενορχήστρωσης στο cloud, μπορεί να αποτελέσει τα θεμέλια για την αξιοποίηση της μηχανικής εκμάθησης για την ασφάλεια αυτοκινούμενων αυτοκινήτων, δίνοντάς τους τη δύναμη υπολογισμού να ανιχνεύουν απειλές και να αντιδρούν σε χιλιοστά του δευτερολέπτου.

Δεν υπάρχει αμφιβολία ότι οι χάκερ θα προσπαθήσουν να παραβιάσουν τα αυτοκίνητα αυτο-οδήγησης, αλλά οι σημερινοί επαγγελματίες στον τομέα της ασφάλειας στον κυβερνοχώρο έχουν πιο ισχυρές τακτικές για να τους υπερασπιστούν. Η μηχανική μάθηση έχει εξελιχθεί σε ένα ουσιαστικό εργαλείο για εταιρείες που θέλουν να εξασφαλίσουν τους πόρους τους. Το ίδιο ισχύει και για την αυτοκινητοβιομηχανία, τώρα περισσότερο από ποτέ.