63、联网车辆应用中基于机器学习的安全弹性方案

联网车辆应用中基于机器学习的安全弹性方案

1. 联网自动驾驶车辆（CAV）应用的弹性需求与挑战

过去二十年间，汽车系统已从主要的机械和机电系统演变为具有广泛通信和传感能力的复杂网络物理系统。现代车辆除配备各种传感器（如雷达、激光雷达等）外，还具备多种互联网连接接口和车联网（V2X）技术（如数字短程无线电），可与其他车辆（V2V）、交通基础设施组件（V2I）或其他联网电子设备（V2IoT）进行交互。

先进的传感器和通信技术的结合催生了联网自动驾驶车辆（CAV）应用，这些应用通过车辆与基础设施之间的信息共享，实现交通流畅、提高道路安全性和优化基础设施利用率。目前正在开发的 CAV 应用包括车队行驶、协同动态路线管理、交叉口管理等。随着车辆联网和自动化程度的不断提高，这些应用将变得更加复杂，有望对道路安全、乘客舒适度和环境可持续性产生变革性影响。

然而，CAV 应用面临的一个关键挑战是其易受各种网络攻击。攻击者可轻易干扰传感和通信输入，导致交通混乱、引发严重事故并破坏交通基础设施。这些攻击的一个关键问题是，攻击者无需侵入目标车辆的硬件或软件，发送误导性甚至格式错误的 V2X 消息或传感数据通常就足以破坏联网汽车生态系统。

本文重点关注 CAV 应用中针对攻击 V2X 或传感输入的实时弹性问题。我们将这些输入称为“感知输入”或“感知通道”。成功的攻击可能会干扰应用中涉及的部分感知通道，使接收到的输入与实际情况不同。例如，在协同自适应巡航控制（CACC）中，车辆 EE 接收前车 PP 的速度、相对位置和加速度；在攻击期间，EE 接收到的值可能与实际值不同。实时弹性的重点是增强应用功能，使 EE 即使在遭受攻击时也能安全高效地运行。

1.1 设计约束