Autonomous Vehicle Network Cyberattack Modeling and Machine Learning-based Defense Scheme

Abstract

Los vehículos autónomos (AVs) dependen en gran medida de sensores externos y comunicaciones con la red para el intercambio de datos, permitiendo la toma de decisiones informada. Sin embargo, esta dependencia con la información externa expone a los AVs a potenciales riesgos de hackeo y otras ciberamenazas. Esfuerzos previos para la seguridad de los AVs se han centrado en soluciones dirigidas al hardware, consiguiendo sensores más difíciles de atacar. El aprendizaje automático (Machine Learning) también se ha utilizado para defender los sensores de los AVs, además de para desarrollar modelos entrenados para detectar ataques de red que puedan ser efectuados contra los AVs, teniendo resultados positivos cuando son probados contra ataques para los que han sido entrenados, pero ineficientes contra nuevos ataques.

El modelo de aprendizaje automático entrenado en este proyecto es distinto a los modelos previos, ya que en lugar de utilizar datos de red generales, es entrenado con datos propios de un entorno creado para simular la red de los AVs. Este proyecto por tanto se centra en la representación y protección de las redes vehiculares y la infraestructura de comunicaciones de datos. Para ello, es necesario (1) obtener una representación de movimiento vehicular, (2) modelar la infraestructura de comunicaciones, (3) capturar los datos de la red vehicular, y (4) utilizar los datos capturados para entrenar y probar el modelo de aprendizaje automático; objetivos cumplidos con éxito a lo largo del proyecto, resultando en una red neuronal con grandes resultados para detectar e identificar ataques de Denegación de Servicios (DoS) hacia los servidores de la red. Además, el rendimiento de la red móvil de los AVs es analizado en condiciones normales y bajo ataques de DoS para cuantificar el impacto en la red de AVs.

Autonomous vehicles (AVs) heavily rely on external sensors and network communications for data exchange, enabling informed decision-making. However, this dependence on outside information exposes AVs to potential hacking and other cyber threats. Previous efforts in AV security have focused on hardware solutions to make sensors more resilient. Machine learning has also been utilized to defend AV sensors, in addition to having some machine learning models trained to detect network attacks which could be performed against AVs, resulting in good performance when being used against attacks they had been trained for, but poor results against unseen attacks.

The machine learning model trained in this project is distinct to the previous ones, as instead of being trained with general network databases, it is trained with data obtained from an environment created to simulate AV networks. Therefore, this project focuses on representing and protecting vehicular networks and the data communications infrastructure, for which it is necessary to (1) obtain a representation of vehicular movement, (2) model the communications infrastructure, (3) capture the vehicular network data, and (4) use the captured data to train and test the machine learning models; goals which have been successfully accomplished, resulting in a neural network with excellent results to detect and identify Denial of Service (DoS) attacks against data servers. Additionally, the performance of AV mobile networks is analyzed in normal conditions and under attack to quantify the damage of DoS attacks to the AV network.