تولید کننده مجموعه داده برای حملات و رفتارهای ناهنجار در ارتباط خودرو با زیر ساخت کنار جاده

با افزایش روزافزون خودروهای بدون راننده، ضرورت ارتقای ایمنی و کارایی در سامانه های حمل ونقل بیش از پیش احساس می شود. دستیابی به رانندگی کاملا خودکار مستلزم توانایی وسایل نقلیه در درک دقیق محیط پیرامون و واکنش مناسب به رفتارهای جمعی سایر وسایل نقلیه است؛ امری که با بهره گیری از فناوری های ارتباطی ممکن می گردد. خودروهای متصل و خودران برای تبادل داده با یکدیگر و با زیرساخت هایی نظیر واحدهای کنار جاده به شبکه های اقتضایی بین خودرویی متکی هستند. با توجه به ماهیت پویا و ناشناخت شبکه های خودرویی روش های امنیتی سنتی پاسخگوی چالش های این حوزه نیستند. در این میان، یادگیری ماشین، به ویژه یادگیری عمیق، به عنوان راهکاری نوین برای تقویت امنیت مطرح شده است. با این حال، کمبود داده های واقعی، به خصوص در زمینه ارتباط وسایل نقلیه با زیرساخت مانعی جدی برای بهره گیری موثر از این روش ها به شمار می آید. تمرکز اغلب مطالعات گذشته بر تولید داده های مصنوعی برای ارتباطات خودرو به خودرو بوده و موضوع امنیت در حوزهارتباط خودرو با زیرساخت تا حد زیادی مغفول مانده است. پژوهش حاضر با معرفیGenVRAM ، ابزاری شبیه ساز برای تولید مجموعه داده های مربوط به تلاشی در راستای پر کردن این خلا به شمار می رو GenVRAM قادر است داده های نرمال و داده های مربوط به حمله را با تمرکز ویژه بر واحد کنار جاده دارای رفتار ناهنجار تولید کند. نتایج حاصل از آزمایش مدل های مختلف یادگیری ماشین و یادگیری عمیق، نشان دهنده ناکارآمدی روش های سنتی در مواجهه با تهدیدات شبکه های خودرویی است. اگرچه یادگیری عمیق عملکرد امیدوارکننده ای از خود نشان می دهد، اما بهبود و بررسی بیشتر آن برای تضمین کارایی امنیتی در این شبکه ها ضروری است. در مجموع، GenVRAM به عنوان ابزاری نوآورانه، بستری موثر برای توسعه راهکارهای امنیتی در سامانه های خودران فراهم می سازد.

کلیدواژه ها:

خودروهای بدون راننده ، ایمنی و کارایی سامانه های حمل و نقل فناوری های ارتباطی ، خودروهای متصل ، شبکه های اقتضایی بین خودرویی ، واحد کنار جاده ، ارتباط خودرو با زیرساخت ، یادگیری ماشین ، یادگیری عمیق ، کمبود داده واقعی ، تولید داده های نرمال و حمله