امنیت سایبری خودروها با یادگیری ماشینی

این فناوری ، که به عنوان بخشی از تلاش مشترک بین متخصصان صنعت امنیت سایبری ، از جمله متخصصان دانشگاه کوئینزلند ، ویرجینیا و موسسه علم و فناوری گوانجو ، ایجاد شده است. در فرماندهی توسعه توانایی های رزمی ارتش ایالات متحده توسعه یافته است.

تکنیک نوآورانه یادگیری ماشین DESOLATOR نامیده می شود ، روشی جدید که امنیت سایبری خودرو را در برابر تهدیدات احتمالی به طور قابل توجهی بدون کاهش عملکرد شبکه های کامپیوتری پردازنده بهینه می کند.

اجتناب ناپذیری امنیت سایبری خودرو

البته ، حفاظت از خودروهای نظامی در برابر هرگونه حمله سایبری احتمالی برای امنیت ملی و ایمنی پرسنل نظامی بسیار حیاتی است ، این امر باعث شده است ارتش ایالات متحده سرمایه گذاری قابل توجهی در پیشبرد امنیت سایبری خود برای سکوهای آریل و زمینی خود داشته باشد. با این حال ، این فناوری پیشگام ممکن است کاربردهای بیشتری بر روی وسایل نقلیه ای داشته باشد که دارای اطلاعات ملی هستند.

از آنجایی که خودروهای مدرن در حال حاضر بیشتر و بیشتر اطلاعات شخصی ما ، مانند اطلاعات بانکی ، آدرس ها و گذرواژه ها را در اختیار دارند ، داشتن امنیت سایبری مقاوم در حمل و نقل ما ممکن است به یک ضرورت تبدیل شود. علاوه بر این ، با متداول شدن استفاده از اتومبیل های خودران ، خطر احتمالی کنترل آنها به دست هکرها تهدید قابل ملاحظه ای برای امنیت عمومی است. به نظر می رسد DESOLATOR با بهینه سازی استراتژی امنیت سایبری شناخته شده به نام متحرک دفاع هدف ، این خطر را از بین ببرد.

دکتر ترنس مور ، ریاضیدان ارتش ایالات متحده ، می گوید: “ایده این است که ضربه زدن به یک هدف متحرک دشوار است. اگر همه چیز ثابت باشد ، دشمن می تواند برای بررسی همه چیز و انتخاب اهداف خود وقت بگذارد. اما اگر آدرس های IP را به سرعت به هم بزنید ، اطلاعات اختصاص داده شده به IP به سرعت از بین می رود و دشمن باید دوباره آن را جستجو کند. “

DESOLATOR چگونه کار می کند

DESOLATOR که مخفف “تخصیص منابع مبتنی بر یادگیری تقویت شده و چارچوب استقرار پدافند هدف در حال حرکت” است ، با فعال کردن شبکه داخل خودرو برای تعیین فرکانس بهینه تغییر IP و تخصیص پهنای باند ، به امنیت سایبری قوی تری دست می یابد. این روش به یک دفاع هدف متحرک بلندمدت و موثر دست می یابد.

محققان می گویند که DESOLATOR به درجه ای از عدم قطعیت در سیستم دست می یابد و دسترسی هکرهای بالقوه را بسیار دشوار می کند و در عین حال اطمینان حاصل می کند که مناطق حیاتی شبکه به طور کارآمد کار می کنند تا عملکرد رایانه تحت تأثیر قرار نگیرد.

دکتر فردریکا فری نلسون ، دانشمند رایانه ارتش ایالات متحده و سرپرست این تحقیق ، می گوید: “این سطح از استحکام بخشیدن به دارایی های دارای اولویت در شبکه ، جزء لاینفک هر نوع حفاظت از شبکه است. این فناوری باعث محافظت از وزن سبک می شود که به موجب آن منابع کمتری برای حفاظت حداکثر استفاده می شود. استفاده از منابع کمتر برای محافظت از سیستم های مأموریت و دستگاه های متصل در خودروها با حفظ کیفیت یکسان خدمات ، یک مزیت اضافی است. “

برای دستکاری رفتار الگوریتم ، تیم از یادگیری تقویت عمیق بر اساس چندین عملکرد پاداش ، مانند زمان قرار گرفتن در معرض و مقدار بسته های حذف شده استفاده کرد ، که تضمین می کند که DESOLATOR الزامات امنیت و کارایی را متعادل می کند.

مور گفت: “شبکه های قدیمی موجود در خودرو بسیار کارآمد هستند ، اما واقعاً با در نظر گرفتن امنیت طراحی نشده اند. امروزه تحقیقات زیادی در این زمینه انجام شده است که صرفاً به افزایش عملکرد یا افزایش امنیت می پردازد. نگاه به عملکرد و امنیت به خودی خود کمی نادر است ، مخصوصاً برای شبکه های داخل خودرو. “

فناوری DESOLATOR فقط به تعیین دقیق فرکانس مختلط IP و تخصیص پهنای باند محدود نمی شود ، زیرا به دلیل اینکه یک چارچوب مبتنی بر یادگیری ماشین است ، می توان آن را برای دستیابی به اهداف مختلف در بخش امنیت سایبری تغییر داد.

نلسون می گوید: “این توانایی برای به کارگیری مجدد فناوری نه تنها برای گسترش تحقیقات ، بلکه همچنین توانایی آنها را با دیگر قابلیت های سایبری برای حفاظت مطلوب از امنیت سایبری بسیار ارزشمند است.”

منبع: innovationnewsnetwork


امنیت سایبری در ایران و جهان

امنیت داده‌ها

تامین امنیت