基于人工智能的身份验证方案可以保护车辆免受网络威胁

Josiah02

科学家声称已经开发出一种人工智能工具来巩固车辆及其驾驶员的隐私。
科学家表示，由于车辆的地理移动性和资源不足，如何保护所谓的车联网（IoV）的隐私已成为一项重大挑战。
科学家表示，由于“车载单元（OBU）的资源有限”以及车辆上安装的嵌入式传感器的缺陷，这一问题变得更加严重，“诱使对手发动各种类型的攻击”。
他们在《IEEE 物联网杂志》上写道： “因此，需要设计轻量级但可靠的身份验证方案来抵御这些攻击。”这项研究由阿拉伯联合酋长国沙迦大学、美国马里兰大学和巴基斯坦马尔丹阿卜杜勒·瓦利·汗大学的科学家共同撰写。
车联网是指车辆之间以及与停车场、行人和道路基础设施中的智能通信设备之间可以进行通信的网络。作者指出，这项技术“通过提供实时通信改变了全球各地的城市”。
通过 IoV 连接的车辆还配备了嵌入式传感器和装置，用于收集有用数据并将其传送到最近的路边单元 (RSU) 或服务器模块。研究人员写道：“这些车辆的运行能力通过人工智能得到进一步增强，尤其是机器学习和深度学习，它们可以实时分析和解释数据。”
车联网时代的车辆安全已被发现容易受到网络攻击，这些攻击可能通过拦截甚至篡改车辆与基础设施之间的通信而导致令人遗憾的事件。机器学习已被建议作为一种解决方案，作者的 AI 工具也因此而受到推广。
如今的自动驾驶汽车配备了车载单元设备或OBU，作为其智能交通系统或ITS的一部分。
然而，作者认为，安装在车辆上的通信系统仍然面临挑战，特别是与带宽稀缺相关的挑战，以及云端服务在规定时间内的响应延迟。
作者强调，目前可用的云服务器即使辅以机器学习（ML）和深度学习（DL）算法仍然不可靠，因为它们仍然“无法对可能导致道路灾难性情况的车辆做出快速反应”。
嵌入式传感器车载单元 (OBU) 和 RSU 也是如此，“它们资源受限，无法支持计算复杂的安全和隐私保护方案。这些设备需要充足的资源才能安全地与云服务器通信，”作者说。
为了应对这些挑战，作者提出了“一种基于机器学习的身份验证方案，以分布式方式在边缘服务器上训练和分类车辆，保护通信实体的隐私，并最大限度地减少车辆的带宽消耗和延迟。”
为此，作者设计了一种新的基于机器学习的身份验证机制，以解决新兴的车联网生态系统目前正在努力解决的隐私和安全问题。
研究团队在模拟环境中进行了实验，对提出的方案与现有的最先进方案在通信、处理和存储开销方面进行了比较分析。
“模拟结果表明，所提出的方案不仅可以抵御众所周知的入侵者攻击，而且在计算、通信和存储开销等各种性能评估指标方面同样轻量和有效。”
作者强调，他们开发的方案解决了车辆目前通过云服务器通信时遇到的带宽稀缺和过度延迟的问题。
“基于机器学习的方法扩展了车辆和边缘服务器的决策能力，以识别对手。我们的方案要求每辆车都参与离线阶段，其中受信任的机构共享合法车辆和边缘服务器的 MaskID 和密钥列表，”他们强调道。
所提出的方案要求每辆车辆参与离线阶段，其中可信机构共享合法车辆和边缘服务器的屏蔽身份或 MaskID 和密钥列表。
一旦车辆和服务器拥有了独特的屏蔽身份列表，它们就可以相互验证，而无需依赖云服务器，从而确保更快、更高效的通信。
当车辆开始通信时，最近的边缘服务器使用 MaskID 和密钥验证其身份，从而减少车辆的计算负荷。
科学家解释说：“在我们的方案中，每辆车和边缘服务器（通过 RSU）都配备了 ML 算法，以区分对手和合法对手。”
机器学习算法实时分析和验证通信模式，加强对中间人攻击或冒充攻击等常见网络攻击的安全性。
与目前可用的工具相比，该方法的优势在于“在每个加密消息的有效负载中嵌入一个时间跨度，以修剪所提出的方案以抵御众所周知的对抗性攻击”。
作者指出： “模拟结果验证了我们的方案在计算开销、通信开销和存储开销方面的卓越性能。”