Tim Peneliti AS Kembangkan Teknologi Keamanan Siber untuk Komputer dalam Mobil

JAKARTA - Sebuah tim peneliti di Amerika Serikat telah mengembangkan kerangka kerja berbasis pembelajaran mesin baru untuk meningkatkan keamanan jaringan komputer di dalam mobil tanpa mengorbankan kinerja. Ini seiring penggunaan komputer yang semakin jauh dalam teknologi permobilan, khususnya mobil otonom.

Bekerja sama dengan para ahli dari Virginia Tech, University of Queensland, dan Institut Sains dan Teknologi Gwangju, para peneliti di Institut Angkatan Darat AS mengatakan “DESOLATOR” untuk membantu mengoptimalkan strategi keamanan siber terkenal yang dikenal sebagai pertahanan target seluler. 

DESOLATOR adalah singkatan dari Deep Reinforcement Learning-based Resource Allocation dan Mobile Target Defense Deployment Framework, yang memungkinkan jaringan di dalam kendaraan untuk mengidentifikasi frekuensi pengacakan IP yang optimal dan alokasi bandwidth untuk pertahanan target seluler jangka panjang yang efektif.

“Jika semuanya statis, penyerang dapat meluangkan waktu untuk melihat semuanya dan memilih target. Namun, jika alamat IP dikocok cukup cepat, informasi yang diberikan ke IP akan segera hilang dan serangan akan terjadi. Perlu dicari lagi,” jelasnya Dr. Terence Moore, ahli matematika Angkatan Darat AS, dalam keterangannya.

Tim peneliti menggunakan pembelajaran penguatan mendalam untuk secara bertahap membentuk perilaku algoritme berdasarkan berbagai fungsi penghargaan seperti waktu pemaparan dan jumlah paket yang dijatuhkan, dan DESOLATOR mempertimbangkan keamanan dan efisiensi secara setara.

“Jaringan dalam kendaraan lama yang ada sangat efisien, tetapi tidak benar-benar dirancang dengan mempertimbangkan keamanan,” kata Moore. “Saat ini, ada banyak penelitian yang hanya berfokus pada peningkatan kinerja atau peningkatan keamanan. Agak tidak biasa untuk mempertimbangkan kinerja dan keamanan, terutama untuk jaringan di dalam kendaraan.”

Selain itu, DESOLATOR tidak terbatas untuk mengidentifikasi frekuensi pengacakan IP yang optimal dan alokasi bandwidth.

Pendekatan ini ada sebagai kerangka kerja berbasis pembelajaran mesin, yang memungkinkan peneliti lain untuk memodifikasi pendekatan untuk mengejar tujuan yang berbeda dalam ruang masalah.

Menurut ilmuwan komputer dan pemimpin program Angkatan Darat Dr. Frederica Freenelson, tingkat peningkatan aset pilihan di jaringan ini merupakan bagian integral dari semua jenis perlindungan jaringan.

“Kemampuan untuk membangun kembali teknologi ini sangat berharga tidak hanya untuk memperluas penelitian, tetapi juga untuk menggabungkannya dengan fitur siber lainnya untuk perlindungan keamanan siber yang optimal,” kata Nelson.