Mengapa keselamatan siber automotif penting
Keselamatan siber menjadi isu asas dalam pembangunan sistem kenderaan autonomi, kerana serangan boleh membawa kesan serius kepada kenderaan elektrik autonomi dan berpotensi membahayakan nyawa manusia. Serangan perisian boleh memberi kesan kepada keputusan dipacu data yang boleh memberi kesan negatif kepada autonomi kenderaan elektrik dan menjejaskan faedah kenderaan autonomi.
Dengan penyepaduan teknologi seperti pengkomputeran tepi, 5G dan unit pemprosesan berprestasi tinggi, kenderaan autonomi telah membuat banyak kemajuan baru-baru ini. Dalam kenderaan elektrik autonomi, pengkomputeran tepi membantu memproses sejumlah besar data di tepi untuk mengurangkan kependaman dan membantu kenderaan membuat keputusan dipacu data dalam masa nyata. Penderia tepi yang digunakan dalam kenderaan mempunyai sumber yang terhad tetapi memerlukan kuasa pengkomputeran yang tinggi untuk memproses data. Data ini kemudiannya dipindahkan ke pusat data tepi dan awan untuk menyediakan komunikasi dan perkhidmatan IoV. Komunikasi dan perkhidmatan ini telah menimbulkan minat yang besar sebagai elemen berpotensi sistem pengangkutan pintar masa hadapan.
Internet Kenderaan menggalakkan komunikasi dan interaksi antara teknologi cas semula kenderaan, infrastruktur, pejalan kaki dan rangkaian. Tetapi sistem komunikasi canggih ini membawa kawasan serangan yang lebih besar untuk serangan siber dan mengganggu ekosistem sedia ada, yang boleh membawa kepada akibat yang serius.
(Internet Sistem Komunikasi Kenderaan)
Dalam keseluruhan ekosistem pemanduan autonomi, Internet Kenderaan komunikasi Bertanggungjawab untuk penghantaran data tepi antara pelbagai bahagian sistem pengangkutan memerlukan berbilang saluran komunikasi antara penderia tepi ini dan infrastruktur lain. Pelbagai saluran komunikasi ini menjadikan kenderaan terdedah kepada serangan siber, yang boleh memberi kesan teruk bukan sahaja pada kenderaan, tetapi juga pada peranti lain yang bersambung. Peningkatan bilangan peranti yang disambungkan boleh menjadikan serangan siber ini tidak dapat diramalkan dan lebih kerap.
Beberapa pintu masuk yang berbeza boleh digunakan untuk menembusi seni bina kenderaan, termasuk pangkalan data kenderaan, telematik dan komponen kenderaan. Dalam beberapa tahun kebelakangan ini, penyelidik telah menumpukan perhatian mereka pada rangkaian ad hoc kenderaan, yang menggunakan teknologi komunikasi jarak dekat khusus berdasarkan piawaian IEEE802.11p untuk akses wayarles dalam rangkaian kenderaan. Satu lagi protokol komunikasi yang digunakan dalam komunikasi kereta yang disambungkan ialah rangkaian selular mudah alih menggunakan teknologi evolusi jangka panjang.
Salah satu serangan berkaitan komunikasi Internet Kenderaan yang paling biasa ialah rangkaian komunikasi mudah alih kenderaan Sejak 2008, rangkaian komunikasi mudah alih kenderaan telah dikaji secara meluas untuk menganalisis komunikasi wayarles luaran sistem kenderaan. Beberapa serangan yang diketahui pada rangkaian komunikasi mudah alih automotif ialah serangan man-in-the-middle, serangan disinformasi, DoS, penjejakan lokasi, kod hasad dan serangan ulang tayang. Satu lagi serangan yang diketahui terhadap kenderaan autonomi yang menggunakan komunikasi telematik adalah terhadap sistem infotainmen dan penghantaran data Bluetooth.
(Cabaran Keselamatan Rangkaian Komunikasi Mudah Alih Automotif)
Seperti yang dijelaskan dalam majalah industri berwibawa As demikian, rangka kerja tiga lapisan boleh digunakan untuk memahami bahagian berbeza kereta pandu sendiri dan cara ia boleh diserang oleh penggodam: Penderia alam sekitar. Penderia tepi ini terdedah kepada serangan mencuri dengar, kesesakan dan penipuan.
Lapisan komunikasi terdiri daripada komunikasi medan dekat dan medan jauh untuk memudahkan komunikasi antara penderia tepi berdekatan yang lain, pusat data tepi jauh, yang membawa kepada serangan seperti maklumat tidak langsung dan palsu.
- Lapisan kawalan di bahagian atas hierarki melaksanakan fungsi pemanduan autonomi, seperti mengawal kelajuan kenderaan, brek dan stereng secara automatik. Serangan pada lapisan penderiaan dan komunikasi boleh merambat ke atas, menjejaskan fungsi dan menjejaskan keselamatan lapisan kawalan.
- Mengintegrasikan pertahanan siber
Sistem pengesanan pencerobohan khusus diperlukan untuk memantau sistem rangkaian secara berterusan dan mengesan kemungkinan serangan rangkaian. Untuk mengesan serangan rangkaian, sistem pengesanan pencerobohan tradisional bergantung pada tembok api, atau sistem berasaskan peraturan, tetapi tidak dapat mengesan serangan automotif kompleks dengan berkesan kerana siri masa, data rangkaian kenderaan tidak menangkap kebergantungan yang kompleks. Memandangkan penderia tepi dalam kenderaan boleh digunakan untuk komunikasi antara unit kawalan elektronik dan sistem luaran, penyelesaian berasaskan AI boleh digunakan untuk menghuraikan data rangkaian kenderaan.
(Mekanisme pertahanan kereta pandu sendiri)
Teknologi Blockchain boleh digunakan untuk Internet Komunikasi kenderaan , untuk memudahkan penghantaran selamat maklumat keselamatan penting antara sistem kenderaan dan awan. Teknologi Blockchain menyediakan mekanisme terdesentralisasi yang membolehkan kenderaan mengesahkan data yang mereka terima dengan cara tanpa amanah. Teknologi ini boleh membantu mewujudkan sambungan selamat antara kenderaan dan gerbang pembayaran untuk pembelian bahan api yang lebih pantas, transaksi di plaza tol dan juga menjual data sensor.
Memandangkan serangan siber terhadap industri automotif meningkat, kaedah pertahanan juga mesti sentiasa dipantau. Teknologi keselamatan rangkaian CAN, keselamatan protokol pengesahan, dan keselamatan sistem pengesanan pencerobohan sentiasa menjadi topik penyelidikan yang hangat. Pada masa hadapan, gabungan kecerdasan buatan dan analisis data besar akan dipertimbangkan untuk menambah baik kaedah pertahanan dan mencadangkan model keselamatan berorientasikan masa depan.
Atas ialah kandungan terperinci Mengapa keselamatan siber automotif penting. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Ditulis di atas & pemahaman peribadi pengarang Gaussiansplatting tiga dimensi (3DGS) ialah teknologi transformatif yang telah muncul dalam bidang medan sinaran eksplisit dan grafik komputer dalam beberapa tahun kebelakangan ini. Kaedah inovatif ini dicirikan oleh penggunaan berjuta-juta Gaussians 3D, yang sangat berbeza daripada kaedah medan sinaran saraf (NeRF), yang terutamanya menggunakan model berasaskan koordinat tersirat untuk memetakan koordinat spatial kepada nilai piksel. Dengan perwakilan adegan yang eksplisit dan algoritma pemaparan yang boleh dibezakan, 3DGS bukan sahaja menjamin keupayaan pemaparan masa nyata, tetapi juga memperkenalkan tahap kawalan dan pengeditan adegan yang tidak pernah berlaku sebelum ini. Ini meletakkan 3DGS sebagai penukar permainan yang berpotensi untuk pembinaan semula dan perwakilan 3D generasi akan datang. Untuk tujuan ini, kami menyediakan gambaran keseluruhan sistematik tentang perkembangan dan kebimbangan terkini dalam bidang 3DGS buat kali pertama.

Semalam semasa temu bual, saya telah ditanya sama ada saya telah membuat sebarang soalan berkaitan ekor panjang, jadi saya fikir saya akan memberikan ringkasan ringkas. Masalah ekor panjang pemanduan autonomi merujuk kepada kes tepi dalam kenderaan autonomi, iaitu, kemungkinan senario dengan kebarangkalian yang rendah untuk berlaku. Masalah ekor panjang yang dirasakan adalah salah satu sebab utama yang kini mengehadkan domain reka bentuk pengendalian kenderaan autonomi pintar satu kenderaan. Seni bina asas dan kebanyakan isu teknikal pemanduan autonomi telah diselesaikan, dan baki 5% masalah ekor panjang secara beransur-ansur menjadi kunci untuk menyekat pembangunan pemanduan autonomi. Masalah ini termasuk pelbagai senario yang berpecah-belah, situasi yang melampau dan tingkah laku manusia yang tidak dapat diramalkan. "Ekor panjang" senario tepi dalam pemanduan autonomi merujuk kepada kes tepi dalam kenderaan autonomi (AVs) kes Edge adalah senario yang mungkin dengan kebarangkalian yang rendah untuk berlaku. kejadian yang jarang berlaku ini

Ramalan trajektori memainkan peranan penting dalam pemanduan autonomi Ramalan trajektori pemanduan autonomi merujuk kepada meramalkan trajektori pemanduan masa hadapan kenderaan dengan menganalisis pelbagai data semasa proses pemanduan kenderaan. Sebagai modul teras pemanduan autonomi, kualiti ramalan trajektori adalah penting untuk kawalan perancangan hiliran. Tugas ramalan trajektori mempunyai timbunan teknologi yang kaya dan memerlukan kebiasaan dengan persepsi dinamik/statik pemanduan autonomi, peta ketepatan tinggi, garisan lorong, kemahiran seni bina rangkaian saraf (CNN&GNN&Transformer), dll. Sangat sukar untuk bermula! Ramai peminat berharap untuk memulakan ramalan trajektori secepat mungkin dan mengelakkan perangkap Hari ini saya akan mengambil kira beberapa masalah biasa dan kaedah pembelajaran pengenalan untuk ramalan trajektori! Pengetahuan berkaitan pengenalan 1. Adakah kertas pratonton teratur? A: Tengok survey dulu, hlm

0. Ditulis di hadapan&& Pemahaman peribadi bahawa sistem pemanduan autonomi bergantung pada persepsi lanjutan, membuat keputusan dan teknologi kawalan, dengan menggunakan pelbagai penderia (seperti kamera, lidar, radar, dll.) untuk melihat persekitaran sekeliling dan menggunakan algoritma dan model untuk analisis masa nyata dan membuat keputusan. Ini membolehkan kenderaan mengenali papan tanda jalan, mengesan dan menjejaki kenderaan lain, meramalkan tingkah laku pejalan kaki, dsb., dengan itu selamat beroperasi dan menyesuaikan diri dengan persekitaran trafik yang kompleks. Teknologi ini kini menarik perhatian meluas dan dianggap sebagai kawasan pembangunan penting dalam pengangkutan masa depan satu. Tetapi apa yang menyukarkan pemanduan autonomi ialah memikirkan cara membuat kereta itu memahami perkara yang berlaku di sekelilingnya. Ini memerlukan algoritma pengesanan objek tiga dimensi dalam sistem pemanduan autonomi boleh melihat dan menerangkan dengan tepat objek dalam persekitaran sekeliling, termasuk lokasinya,

Tajuk asal: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Paper pautan: https://arxiv.org/pdf/2402.02519.pdf Pautan kod: https://github.com/HKUST-Aerial-Robotics/SIMPL Unit pengarang: Universiti Sains Hong Kong dan Teknologi Idea Kertas DJI: Kertas kerja ini mencadangkan garis dasar ramalan pergerakan (SIMPL) yang mudah dan cekap untuk kenderaan autonomi. Berbanding dengan agen-sen tradisional

Ditulis di hadapan & titik permulaan Paradigma hujung ke hujung menggunakan rangka kerja bersatu untuk mencapai pelbagai tugas dalam sistem pemanduan autonomi. Walaupun kesederhanaan dan kejelasan paradigma ini, prestasi kaedah pemanduan autonomi hujung ke hujung pada subtugas masih jauh ketinggalan berbanding kaedah tugasan tunggal. Pada masa yang sama, ciri pandangan mata burung (BEV) padat yang digunakan secara meluas dalam kaedah hujung ke hujung sebelum ini menyukarkan untuk membuat skala kepada lebih banyak modaliti atau tugasan. Paradigma pemanduan autonomi hujung ke hujung (SparseAD) tertumpu carian jarang dicadangkan di sini, di mana carian jarang mewakili sepenuhnya keseluruhan senario pemanduan, termasuk ruang, masa dan tugas, tanpa sebarang perwakilan BEV yang padat. Khususnya, seni bina jarang bersatu direka bentuk untuk kesedaran tugas termasuk pengesanan, penjejakan dan pemetaan dalam talian. Di samping itu, berat

Pada bulan lalu, atas sebab-sebab yang diketahui umum, saya telah mengadakan pertukaran yang sangat intensif dengan pelbagai guru dan rakan sekelas dalam industri. Topik yang tidak dapat dielakkan dalam pertukaran secara semula jadi adalah hujung ke hujung dan Tesla FSDV12 yang popular. Saya ingin mengambil kesempatan ini untuk menyelesaikan beberapa buah fikiran dan pendapat saya pada masa ini untuk rujukan dan perbincangan anda. Bagaimana untuk mentakrifkan sistem pemanduan autonomi hujung ke hujung, dan apakah masalah yang sepatutnya dijangka diselesaikan hujung ke hujung? Menurut definisi yang paling tradisional, sistem hujung ke hujung merujuk kepada sistem yang memasukkan maklumat mentah daripada penderia dan secara langsung mengeluarkan pembolehubah yang membimbangkan tugas. Sebagai contoh, dalam pengecaman imej, CNN boleh dipanggil hujung-ke-hujung berbanding kaedah pengekstrak ciri + pengelas tradisional. Dalam tugas pemanduan autonomi, masukkan data daripada pelbagai penderia (kamera/LiDAR

Pengesanan objek ialah masalah yang agak matang dalam sistem pemanduan autonomi, antaranya pengesanan pejalan kaki adalah salah satu algoritma terawal untuk digunakan. Penyelidikan yang sangat komprehensif telah dijalankan dalam kebanyakan kertas kerja. Walau bagaimanapun, persepsi jarak menggunakan kamera fisheye untuk pandangan sekeliling agak kurang dikaji. Disebabkan herotan jejari yang besar, perwakilan kotak sempadan standard sukar dilaksanakan dalam kamera fisheye. Untuk mengurangkan perihalan di atas, kami meneroka kotak sempadan lanjutan, elips dan reka bentuk poligon am ke dalam perwakilan kutub/sudut dan mentakrifkan metrik mIOU pembahagian contoh untuk menganalisis perwakilan ini. Model fisheyeDetNet yang dicadangkan dengan bentuk poligon mengatasi model lain dan pada masa yang sama mencapai 49.5% mAP pada set data kamera fisheye Valeo untuk pemanduan autonomi
