SISSA: Melhorando a Segurança e Proteção dos Veículos

Nos últimos anos, veículos conectados e automatizados (CAVs) têm se tornado mais comuns. Esses veículos têm várias Unidades de Controle Eletrônico (ECUs) que gerenciam funções importantes como acelerador, freios e direção. Com o aumento do número de ECUs, há uma necessidade maior de comunicação rápida e flexível entre elas. Essa comunicação é frequentemente feita usando um método chamado SOME/IP, que foi projetado para suportar vários dispositivos em carros. No entanto, esse método não tem uma segurança forte, tornando-o vulnerável a ataques. Além disso, falhas de hardware aleatórias podem interromper a comunicação entre as ECUs.

Para resolver esses problemas, apresentamos o SISSA, um sistema que monitora a segurança e a proteção dos veículos usando o tráfego de comunicação SOME/IP. O SISSA modela falhas de hardware e identifica Ataques cibernéticos comuns, com o objetivo de melhorar a segurança e a confiabilidade dos veículos conectados.

#Antecedentes

O SOME/IP é um protocolo de comunicação que ajuda diferentes ECUs em um carro a se comunicarem entre si através de uma rede Ethernet. Ele permite que os dispositivos enviem solicitações e respostas, e notifiquem uns aos outros sobre mudanças de status. Esse protocolo é popular na indústria automotiva porque pode se adaptar a vários tipos de dispositivos e sistemas operacionais.

Embora o SOME/IP tenha como objetivo fornecer comunicação rápida, ele não inclui recursos de segurança embutidos, deixando os veículos vulneráveis a ataques cibernéticos. Além disso, componentes de hardware podem falhar inesperadamente, levando a interrupções na comunicação que afetam as operações do veículo. Isso destaca a necessidade de monitoramento e análise eficazes para garantir segurança e proteção nos CAVs.

#Desafios na Comunicação Automotiva

1. Falhas Aleatórias de Hardware: Essas falhas acontecem sem aviso durante o ciclo de vida de um veículo. Elas podem interromper a comunicação entre as ECUs, levando a condições inseguras.

2. Ataques Cibernéticos: Os veículos enfrentam várias ameaças cibernéticas, incluindo ataques de Negação de Serviço Distribuída (DDoS) e ataques Man-in-the-Middle (MITM). Esses ataques podem comprometer a funcionalidade das ECUs e colocar os passageiros em risco.

3. Padrões de Comunicação Dinâmica: A comunicação entre ECUs pode ser imprevisível. Isso torna desafiador estabelecer como é a comunicação "normal" e detectar desvios rapidamente.

4. Limitações dos Métodos de Monitoramento Existentes: Os métodos atuais para avaliar riscos e características na comunicação dos veículos podem não ser eficazes para o SOME/IP. Muitas vezes, eles se concentram em componentes estáticos, ignorando as complexidades do ambiente de comunicação dinâmica.

#SISSA: Uma Nova Abordagem

O SISSA visa monitorar a segurança e a proteção nos veículos analisando o tráfego de comunicação SOME/IP em tempo real. Ele emprega técnicas de modelagem avançadas e métodos de Aprendizado Profundo para identificar falhas de hardware e ataques cibernéticos de forma eficaz.

#Modelando Falhas de Hardware

Para modelar falhas de hardware, o SISSA usa a distribuição de Weibull, que é um método estatístico que ajuda a prever falhas com base em diferentes estágios no ciclo de vida de um produto.

1. Falhas Iniciais: Essas falhas geralmente acontecem logo depois que um dispositivo começa a ser usado. Elas costumam diminuir rapidamente à medida que os problemas são identificados e corrigidos.

2. Falhas Aleatórias: Após a fase inicial, os dispositivos encontram falhas aleatórias que são menos frequentes, mas ainda podem ocorrer.

3. Falhas por Desgaste: Com o tempo, à medida que os componentes envelhecem, eles têm mais chances de falhar devido ao desgaste.

Ao entender esses estágios, o SISSA pode prever melhor quando e por que as falhas podem ocorrer, permitindo intervenções oportunas.

#Identificando Ataques Cibernéticos

O SISSA pode reconhecer vários tipos de ataques cibernéticos que visam as ECUs. Alguns ataques comuns incluem:

• Ataques DDoS: Os atacantes inundam um sistema com tráfego para sobrecarregá-lo, impedindo que solicitações legítimas sejam processadas.

• Ataques MITM: Nesse cenário, o atacante intercepta a comunicação entre duas partes, potencialmente alterando as mensagens sendo enviadas.

• Processos de Comunicação Anormais: Isso se refere a comportamentos inesperados na comunicação que podem sinalizar um ataque em andamento.

O SISSA modela essas ameaças para fornecer um sistema robusto de monitoramento de segurança e proteção para veículos.

#Aprendizado Profundo para Monitoramento

O SISSA emprega modelos de aprendizado profundo para analisar os dados coletados do tráfego SOME/IP. Esses modelos podem identificar padrões que indicam operação normal, falhas funcionais ou ataques cibernéticos.

#Extração de Recursos

Diferentes modelos de aprendizado profundo são usados para extração de recursos dos dados. Ao usar várias arquiteturas, o SISSA pode determinar os recursos mais relevantes que estão correlacionados com comunicação segura. Isso permite uma detecção mais precisa de potenciais problemas.

1. Redes Neurais Convolucionais (CNN): Esses modelos se destacam em reconhecer padrões em dados que podem ser representados em formato de imagem. Isso ajuda a detectar anomalias no tráfego de comunicação.

2. Redes Neurais Recorrentes (RNN): Essas são projetadas para analisar sequências de dados, tornando-as bem adequadas para capturar os aspectos temporais da comunicação SOME/IP.

3. Memória de Longo e Curto Prazo (LSTM): Um tipo especializado de RNN que pode capturar dependências de longo alcance dentro do conjunto de dados. Isso é crucial para entender longas sequências de mensagens de comunicação.

#Bloco de Atenção Residual

Para melhorar a precisão dos modelos de aprendizado profundo, o SISSA incorpora um bloco de atenção residual. Esse componente ajuda o modelo a focar nas partes mais críticas da sequência de entrada, permitindo diferenciar entre operações normais e potenciais ataques ou falhas.

#Geração de Dados e Treinamento

Para que o SISSA funcione de forma eficaz, ele depende de um conjunto de dados abrangente que inclui diferentes tipos de ataques, cenários de falhas e dados de operação normal. Esse conjunto de dados é crucial para treinar os modelos de aprendizado de máquina para garantir que eles possam identificar e responder com precisão a várias condições.

#Criação de Conjunto de Dados

Para gerar os dados necessários, o SISSA usa uma ferramenta especial que simula o tráfego SOME/IP. Através dessa simulação, o sistema pode criar tanto padrões de comunicação normais quanto aqueles que refletem ataques ou falhas de hardware.

1. Amostragem de Tráfego: A ferramenta simula o tráfego entre ECUs, criando um conjunto diversificado de mensagens que refletem cenários do mundo real.

2. Anotação: Cada mensagem é rotulada de acordo com sua categoria, como operação normal, ataque ou falha. Isso permite que os modelos aprendam as diferenças entre cada tipo durante o treinamento.

#Treinamento dos Modelos

Os dados gerados passam por pré-processamento para garantir que estejam prontos para aplicações de aprendizado de máquina. Isso inclui organizar os dados em janelas, onde cada janela contém um certo número de mensagens consecutivas. Os modelos de aprendizado de máquina são então treinados com esses dados para aprender como identificar diferentes estados dentro da comunicação.

#Resultados Experimentais

O SISSA passou por testes extensivos para avaliar seu desempenho em identificar tanto falhas funcionais quanto ataques cibernéticos. Os resultados indicam que o SISSA é altamente eficaz, alcançando taxas de precisão impressionantes.

#Métricas de Desempenho

1. Precisão: A correção geral do modelo na identificação de estados é medida. Uma alta precisão indica que o modelo pode rotular corretamente as janelas de comunicação.

2. Precisão: Essa métrica reflete a capacidade do modelo de evitar falsos positivos, ou seja, não confundir operações normais como falhas ou ataques.

3. Revocação: A revocação mede a capacidade do modelo de identificar todas as instâncias relevantes entre os positivos reais. Uma alta revocação garante que problemas genuínos sejam detectados.

4. F1-Score: Isso combina precisão e revocação em uma única métrica, oferecendo uma visão equilibrada do desempenho do modelo em diferentes cenários.

#Visão Geral dos Resultados

Nos testes, o SISSA alcançou uma média de F1-score de 99,8% para identificar falhas, e uma pontuação perfeita de 100% para detectar ataques cibernéticos. Esses resultados demonstram a eficácia e a confiabilidade da abordagem SISSA em aplicações do mundo real.

#Conclusão

O SISSA representa um avanço significativo na monitoramento da segurança e proteção dos veículos conectados. Ao utilizar técnicas de aprendizado profundo e modelar falhas de hardware e ataques cibernéticos, ele melhora eficazmente a confiabilidade dos sistemas de comunicação dos veículos.

As descobertas destacam a capacidade do SISSA de detectar tanto falhas funcionais quanto ameaças à segurança de forma oportuna, garantindo a segurança dos passageiros e a integridade dos sistemas dos veículos. Trabalhos futuros buscarão expandir o escopo dessa abordagem para incluir outros protocolos de comunicação usados em veículos, aumentando ainda mais a robustez das medidas de segurança e proteção automotiva.