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。
The English, Chinese, Japanese, Arabic, and French versions are automatically generated by the AI. So there may still be inaccuracies in translating, please always see Indonesian as our main language. (system supported by DigitalSiber.id)
