米国の研究チームが車内コンピュータのサイバーセキュリティ技術を開発

車内のサイバーセキュリティが重要になりました。(写真クレジット:ボルボ)

ジャカルタ - 米国の研究チームは、パフォーマンスを犠牲にすることなく、車のコンピュータネットワークのセキュリティを向上させるための新しい機械学習ベースのフレームワークを開発しました。これは、自動車技術、特に自動運転車におけるコンピュータのますます遠い使用に沿っています。

バージニア工科大学、クイーンズランド大学、光州科学技術研究所の専門家と共同で、アメリカ陸軍研究所の研究者は、モバイルターゲット防衛として知られている有名なサイバーセキュリティ戦略を最適化するために「DESOLATOR」と言います。

DESOLATORは、ディープ強化学習ベースのリソース割り当てとモバイルターゲット防衛展開フレームワークの略で、車載ネットワークがモバイルターゲットの効果的な長期的な防御のための最適なIPスクランブル周波数と帯域幅割り当てを識別することができます。

「すべてが静的であれば、攻撃者は時間をかけてすべてを見てターゲットを選ぶことができます。ただし、IP アドレスが十分に高速にシャッフルされると、IP に与えられた情報はすぐに失われ、攻撃が発生します。もう一度検索する必要がある」と、テレンス・ムーア米陸軍数学者のテレンス・ムーア博士はキャプションで説明した。

研究チームは、深層強化学習を用いて、露光時間やドロップされたパケット数などの様々な報酬機能に基づいてアルゴリズムの挙動を段階的に形作り、DESOLATORは安全性と効率を均等に考慮しました。

「既存の車載ネットワークは非常に効率的ですが、安全性を念頭に置いて設計されていませんでした」とムーアは言います。「現在、パフォーマンスの向上やセキュリティの向上に特化した研究が数多くあります。特に車載ネットワークでは、性能やセキュリティを考慮するのは少し珍しいことです。

さらに、DESOLATORは最適なIPシャッフル周波数および帯域幅割り当てを特定することに限定されない。

このアプローチは機械学習ベースのフレームワークとして存在し、他の研究者は問題分野で異なる目標を追求するためにアプローチを変更することができます。

コンピュータ科学者で陸軍プログラムリーダーのフレデリカ・フリーネルソン博士によると、このネットワークにおける優先資産のレベルの向上は、あらゆる種類のネットワーク保護の不可欠な部分です。

「この技術を再構築する能力は、研究を拡大するだけでなく、最適なサイバーセキュリティ保護のために他のサイバー機能と組み合わせることで非常に貴重です」と、ネルソンが言いました。