美国研究小组为车内计算机开发网络安全技术

JAKARTA - 美国的一个研究小组开发了一个新的机器学习框架，以提高汽车计算机网络的安全性，而不会牺牲性能。这与计算机在汽车技术，特别是自动驾驶汽车中日益遥远的应用是一致。

美国陆军研究所的研究人员与弗吉尼亚理工大学、昆士兰大学和光州科技研究所的专家合作，称"DESOLATOR"有助于优化一种众所周知的网络安全战略，即移动目标防御。

DESOLATOR 代表基于深度强化的基于学习的资源配置和移动目标防御部署框架，它使车载网络能够识别最佳 IP 混频和带宽分配，从而有效长期防御移动目标。

"如果一切都是静态的，攻击者可以花时间查看所有内容并选择目标。但是，如果 IP 地址的洗牌速度足够快，则提供给 IP 的信息将立即丢失并发生攻击。美国陆军数学家特伦斯·摩尔博士在标题中解释道："需要再次搜索它。

研究小组利用深度强化学习，根据暴露时间和数据包数量等各种奖励功能逐步塑造算法的行为，DESOLATOR 同样考虑了安全性和效率。

摩尔说："现有的车载网络非常高效，但它们的设计并不真正考虑到安全性。"目前，有许多研究只侧重于提高性能或提高安全性。考虑性能和安全性有点不寻常，尤其是对于车载网络而言。

此外，除色器不限于识别最佳 IP 洗牌频率和带宽分配。

这种方法作为基于机器学习的框架存在，它允许其他研究人员修改方法，以在问题空间中追求不同的目标。

据计算机科学家和陆军项目负责人弗雷德里卡·弗里内尔森博士说，提高该网络中首选资产的水平是所有类型网络保护的组成部分。

Nelson 说："重建这项技术的能力不仅对于扩大研究，而且对于将其与其他网络功能相结合，实现最佳网络安全保护也是无价的。