Армия США исследует новую технологию кибербезопасности для защиты транспортных сетей

Gasgoo Automotive News По сообщениям зарубежных СМИ,АрмияСШАисследуетновуютехнологиюкибербезопасностидлязащитытранспортныхсетей исследователи армии США разработали новую платформу на основе машинного обучения для повышения безопасности автомобильных бортовых компьютерных сетей без ущерба для ее производительности.

Хакер (Источник изображения: techxplore .com)

С ростом популярности современных транспортных средств, которые делегируют управление бортовым компьютерам, исследователи армии США надеются увеличить инвестиции в обеспечение более высокого уровня кибербезопасности для воздушных и наземных платформ, особенно для тяжелых транспортных средств. .

Исследователи из Командования по развитию боевых возможностей армии США (DEVCOM) сотрудничали с Технологическим институтом Вирджинии, Университетом Квинсленда и Технологическим институтом Кванджу. Эксперты из Института науки и технологий совместно разработали технологию под названием DESOLATOR для оптимизации стратегии кибербезопасности. называется защитой от движущихся целей.

Доктор Терренс Мур, математик армии США, сказал: «Поскольку трудно поразить движущуюся цель, если все объекты статичны, противник может спокойно наблюдать за всем и выбирать цели. Однако если IP-адрес быстро меняется , информация о назначенном IP-адресе быстро теряется, и злоумышленнику приходится искать ее заново."

DESOLATOR относится к системе распределения ресурсов на основе глубокого обучения и системе развертывания защиты от движущихся целей (структура распределения ресурсов на основе глубокого обучения и система развертывания защиты от движущихся целей), которая может помочь сети транспортного средства определить оптимальную частоту IP-преобразования и распределение полосы пропускания. , долгосрочное и эффективное осуществление защиты от движущихся целей.

По словам доктора Фредерики Фри-Нельсон, ученого-компьютерщика и руководителя проекта армии США, распределение ресурсов на основе глубокого обучения с подкреплением может поддерживать высокую неопределенность, чтобы помешать потенциальным злоумышленникам, не увеличивая затраты на обслуживание. Перемещение объектов защиты может предотвратить критически важную сеть области от замедления с высоким приоритетом.

Исследовательская группа использует глубокое обучение с подкреплением, чтобы постепенно формировать поведение алгоритма на основе различных функций вознаграждения, таких как время воздействия и количество потерь пакетов, чтобы гарантировать, что DESOLATOR может учитывать как безопасность, так и эффективность.

Мур сказал: «Существующие автомобильные сети очень эффективны, но они не разработаны с учетом безопасности. Сейчас многие исследования сосредоточены только на повышении производительности или безопасности, и это очень редко принимается во внимание. учитывать как производительность, так и безопасность, особенно в автомобильных сетях."

Кроме того, DESOLATOR не ограничивается определением оптимальной частоты IP-преобразования и распределения полосы пропускания. Поскольку этот метод представляет собой основу машинного обучения, другие исследователи могут модифицировать его для достижения различных целей в определенном диапазоне.

«Возможность переоснащать технологии чрезвычайно ценна не только для масштабирования исследований, но и для объединения их с другими кибервозможностями для оптимальной защиты кибербезопасности», — сказал Нельсон.

Источник: Gasgoo

Автор: Fairy