汽車網路安全為何重要
網路安全正成為自動駕駛汽車系統發展的基本問題,因為攻擊可能對自動駕駛電動車產生嚴重後果,並可能危及人類生命。軟體攻擊會影響數據驅動的決策,這些決策會對電動車的自主性產生負面影響,並損害自動駕駛汽車的優勢。
隨著邊緣運算、5G和高性能處理單元等技術的集成,自動駕駛汽車最近取得了許多進展。在自動駕駛電動車中,邊緣運算有助於處理邊緣的大量數據,以減少延遲並幫助車輛即時做出數據驅動的決策。部署在車輛中的邊緣感測器資源稀缺,但需要較高的運算能力來處理數據。這些數據隨後被遷移到邊緣資料中心和雲端,以提供車聯網通訊和服務。這些通訊和服務作為未來智慧交通系統的潛在元素,引起了人們的極大興趣。
車聯網促進了車輛互充技術、基礎設施、行人和網路之間的通訊和互動。但這些先進的通訊系統為網路攻擊帶來了更大的攻擊面積,並破壞了現有的生態系統,這可能導致嚴重的後果。
(車聯網通訊系統)
在整個自動駕駛生態系統中,車聯網通信負責邊緣資料在交通系統各部分之間的傳輸,需要這些邊緣感測器與其他基礎設施之間有多個通訊通道。這些多重通訊管道使車輛容易受到網路攻擊,不僅會對車輛產生嚴重影響,還會對其他連網設備產生嚴重影響。連接設備數量的增加可以使這些網路攻擊變得不可預測且更加頻繁。
可以使用許多不同的入口點來滲透車輛架構,包括車輛資料庫、遠端通訊技術和車輛零件。近年來,研究人員將注意力集中在車輛自組織網路上,它使用基於IEEE802.11p標準的專用短距離通訊技術在車輛網路中進行無線存取。車聯網通訊中另一種通訊協定是使用長期演進技術的行動蜂窩網路。
最常見的車聯網通訊相關攻擊之一是車用行動通訊網絡,自2008年以來,車用行動通訊網路被廣泛研究,以分析車輛系統外部無線通訊傳輸的安全性問題。一些已知的車用行動通訊網路攻擊有中間人攻擊、虛假資訊攻擊、DoS、位置追蹤、惡意程式碼和回放攻擊。車聯網通訊對自動駕駛汽車的另一個已知攻擊是針對資訊娛樂系統和藍牙資料傳輸。
(車用行動通訊網路的安全挑戰)
正如業界權威雜誌中所解釋的那樣,可以使用一個三層框架來理解自動駕駛汽車的不同部分以及它們如何受到黑客的攻擊:
- 感測層由持續監測車輛動態和周圍環境的傳感器組成。這些邊緣感測器容易受到竊聽、幹擾和欺騙攻擊。
- 通訊層由近場和遠場通訊組成,以促進其他附近邊緣感測器、遠處邊緣資料中心之間的通信,這導致了間接和偽造資訊等攻擊。
- 位於層次結構頂部的控制層實現了自動駕駛功能,例如自動控制車輛的速度、煞車和轉向。對感測層和通訊層的攻擊可以向上傳播,影響功能並危及控制層的安全。
整合網路防禦
開發防禦解決方案,以應對日益增加的電動車網路攻擊,現已成為安全工程師研究的重點領域。為了引入建構自動駕駛軟體和硬體功能的技術改進,整合防禦機製成為設計過程中的重要參數。以下將討論可能的網路安全解決方案。
電子控制單元是車輛處理和通訊資料的核心,從電子控制單元接收的資訊經過加密,以防止注入和間接攻擊。最近的研究表明,加密和車輛身份驗證可用於防止,邊緣資料中心與車輛之間通訊期間的欺騙、篡改、偽裝和回放攻擊。
#需要專門的入侵偵測系統來持續監控網路系統,並偵測可能的網路攻擊。為了偵測網路攻擊,傳統的入侵偵測系統依賴防火牆,或基於規則的系統,但無法有效偵測複雜的汽車攻擊,因為時間序列,車輛網路資料沒有捕捉複雜的依賴關係。由於車輛中的邊緣感測器可用於電子控制單元和外部系統之間的通信,因此基於人工智慧的解決方案可用於解析車輛網路數據。
(自動駕駛汽車的防禦機制)
區塊鏈技術可用於車聯網通信,以促進車輛系統和雲端之間基本安全資訊的安全傳輸。區塊鏈技術提供了一種去中心化機制,允許車輛以無需信任的方式驗證他們收到的數據。該技術可以幫助車輛和支付網關之間建立安全連接,以便更快購買燃料,在收費站進行交易,甚至出售感測器資料。
隨著對汽車產業的網路攻擊增加,防禦方法也必須受到不斷的審查。 CAN網路的安全技術、認證協定的安全、入侵偵測系統的安全一直是研究的熱點。未來將考慮將人工智慧和大數據分析結合,以改進防禦方法,並提出面向未來的安全模型。
以上是汽車網路安全為何重要的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

寫在前面&筆者的個人理解三維Gaussiansplatting(3DGS)是近年來在顯式輻射場和電腦圖形學領域出現的一種變革性技術。這種創新方法的特點是使用了數百萬個3D高斯,這與神經輻射場(NeRF)方法有很大的不同,後者主要使用隱式的基於座標的模型將空間座標映射到像素值。 3DGS憑藉其明確的場景表示和可微分的渲染演算法,不僅保證了即時渲染能力,而且引入了前所未有的控制和場景編輯水平。這將3DGS定位為下一代3D重建和表示的潛在遊戲規則改變者。為此我們首次系統性地概述了3DGS領域的最新發展與關

昨天面試被問到了是否做過長尾相關的問題,所以就想著簡單總結一下。自動駕駛長尾問題是指自動駕駛汽車中的邊緣情況,即發生機率較低的可能場景。感知的長尾問題是目前限制單車智慧自動駕駛車輛運行設計域的主要原因之一。自動駕駛的底層架構和大部分技術問題已經解決,剩下的5%的長尾問題,逐漸成了限制自動駕駛發展的關鍵。這些問題包括各種零碎的場景、極端的情況和無法預測的人類行為。自動駕駛中的邊緣場景"長尾"是指自動駕駛汽車(AV)中的邊緣情況,邊緣情況是發生機率較低的可能場景。這些罕見的事件

0.寫在前面&&個人理解自動駕駛系統依賴先進的感知、決策和控制技術,透過使用各種感測器(如相機、光達、雷達等)來感知周圍環境,並利用演算法和模型進行即時分析和決策。這使得車輛能夠識別道路標誌、檢測和追蹤其他車輛、預測行人行為等,從而安全地操作和適應複雜的交通環境。這項技術目前引起了廣泛的關注,並認為是未來交通領域的重要發展領域之一。但是,讓自動駕駛變得困難的是弄清楚如何讓汽車了解周圍發生的事情。這需要自動駕駛系統中的三維物體偵測演算法可以準確地感知和描述周圍環境中的物體,包括它們的位置、

原文標題:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving論文連結:https://arxiv.org/pdf/2402.02519.pdf程式碼連結:https://github.com/HKUST-Aerial-Robotics/SIMPLobotics單位論文想法:本文提出了一種用於自動駕駛車輛的簡單且有效率的運動預測基線(SIMPL)。與傳統的以代理為中心(agent-cent

目標偵測在自動駕駛系統當中是一個比較成熟的問題,其中行人偵測是最早得以部署演算法之一。在多數論文當中已經進行了非常全面的研究。然而,利用魚眼相機進行環視的距離感知相對來說研究較少。由於徑向畸變大,標準的邊界框表示在魚眼相機當中很難實施。為了緩解上述描述,我們探索了擴展邊界框、橢圓、通用多邊形設計為極座標/角度表示,並定義一個實例分割mIOU度量來分析這些表示。所提出的具有多邊形形狀的模型fisheyeDetNet優於其他模型,並同時在用於自動駕駛的Valeo魚眼相機資料集上實現了49.5%的mAP

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

最近一個月由於眾所周知的一些原因,非常密集地和業界的各種老師同學進行了交流。交流中必不可免的一個話題自然是端到端與火辣的特斯拉FSDV12。想藉此機會,整理當下這個時刻的一些想法和觀點,供大家參考和討論。如何定義端到端的自動駕駛系統,應該期望端到端解決什麼問題?依照最傳統的定義,端到端的系統指的是一套系統,輸入感測器的原始訊息,直接輸出任務關心的變數。例如,在影像辨識中,CNN相對於傳統的特徵提取器+分類器的方法就可以稱之為端到端。在自動駕駛任務中,輸入各種感測器的資料(相機/LiDAR

寫在前面&出發點端到端的範式使用統一的框架在自動駕駛系統中實現多任務。儘管這種範式具有簡單性和清晰性,但端到端的自動駕駛方法在子任務上的表現仍然遠遠落後於單任務方法。同時,先前端到端方法中廣泛使用的密集鳥瞰圖(BEV)特徵使得擴展到更多模態或任務變得困難。這裡提出了一種稀疏查找為中心的端到端自動駕駛範式(SparseAD),其中稀疏查找完全代表整個駕駛場景,包括空間、時間和任務,無需任何密集的BEV表示。具體來說,設計了一個統一的稀疏架構,用於包括檢測、追蹤和線上地圖繪製在內的任務感知。此外,重
