蓋世汽車訊 據外媒報道，美國陸軍研究人員研發了一種基于機器學習的新型框架，以改進汽車車載計算機網絡的安全性，同時還不影響到其性能。

黑客（圖片來源：techxplore.com）

隨著將控制權委托給車載計算機的現代汽車在不斷普及，美國陸軍的該項研究希望能夠加大投入，對空中以及陸地平臺，特別是重型車輛提供更高水平的網絡安全保護措施。

美國陸軍作戰能力發展司令部（the U.S. Army Combat Capabilities Development Command，DEVCOM）的研究人員與佛吉尼亞理工大學（Virginia Tech）、昆士蘭大學（the University of Queensland）以及光州技術學院（Gwangju Institute of Science and Technology）的專家們合作，設計了一種稱為DESOLATOR的技術，以優化稱為移動目標防御的網絡安全策略。

美國陸軍數學家Terrence Moore博士表示：“因為很難擊中移動的目標，如果所有物體都是靜態的，對手就可以從容地觀察一切并選擇目標。但是，如果快速改變IP地址，分配給IP地址的信息很快就會丟失，對手就得重新尋找。”

DESOLATOR指代的是基于深度強化學習的資源分配以及移動目標防御部署框架（deep reinforcement learning-based resource allocation and moving target defense deployment framework），能夠幫助車載網絡識別最佳IP變換頻率以及帶寬分配，長期且有效地進行移動目標防御。

據美國陸軍計算機科學家和項目負責人Frederica Free-Nelson博士表示，基于深度強化學習的資源分配能夠保持高不確定性，以挫敗潛在的攻擊者，同時還不會使維護成本變高，而移動目標防御部署能夠以高優先級防止關鍵網絡區域減速運行。

該研究團隊利用深度強化學習，根據曝光時間、丟包數量等多種獎勵功能，逐步塑造算法的行為，以確保DESOLATOR能夠兼顧安全性和效率。

Moore表示：“現有的車載網絡效率很高，但是在設計時沒有真正考慮到安全性。現在，很多研究都只著眼于提高性能或者安全性，同時兼顧性能和安全性的非常少見，特別是車載網絡。”

此外，DESOLATOR并不局限于確定最佳的IP變換頻率以及帶寬分配。由于該方法是一種機器學習框架，其他研究人員都可以修改該技術，以在一定范圍內追求不同的目標。

Nelson表示：“能夠重新裝備技術的能力非常有價值，而且此種價值不僅對于擴展研究而言，還適用于將此種能力與其他網絡能力結合，以獲得最佳網絡安全保護。”

返回第一電動網首頁 >