新型网络安全技术让黑客捉摸不定

摘要:研究人员开发了基于机器学习的新型框架,以在不影响性能的情况下增强汽车车载计算机网络的安全性。

(ChinaIT.com讯)美国陆军研究人员开发了基于机器学习的新型框架,以在不影响性能的情况下增强汽车车载计算机网络的安全性。

随着将控制权交给车载计算机的现代汽车的广泛普及,这项研究期待陆军加大投入,为其空中和陆地平台(尤其是重型车辆)提供更高水平的网络安全保护措施。

美国陆军研究实验室以及美国陆军作战能力发展司令部 (DEVCOM) 的研究人员与弗吉尼亚理工大学、昆士兰大学和光州科学技术学院的国际专家团队合作,设计了一种名为 DESOLATOR 的技术,以帮助优化著名的网络安全策略,即移动目标防御。

美国陆军数学家 Terrence Moore 博士表示:“因为很难击中移动的目标,如果一切都是静态的,对手就可以从容地观察一切并选择目标。但是,如果你重新分配 IP 地址的速度足够快,那么分配给 IP 的信息很快就会丢失,对手就得重新寻找。”

DESOLATOR 指代的是基于深度强化学习的资源分配和移动目标防御部署框架,帮助车载网络识别最佳 IP 改组频率和带宽分配,长期且有效地进行移动目标防御。

据陆军计算机科学家和项目负责人 Frederica Free-Nelson 博士表示,前者的实现能够保持足够高的不确定性,以阻止潜在的攻击者,同时又不会使维护成本变高,而后者的实现可以防止高优先级的网络关键区域的运行减速。

Nelson 表示:“这种级别的网络优先资产强化,是任何形式的网络保护不可或缺的组成部分,该技术促进了轻量级保护,从而使用更少的资源来实现最大程度的保护。使用更少的资源来保护车辆中的任务系统和连接设备,同时保持相同的服务质量,这是一个额外的好处。”

该研究团队使用深度强化学习,根据曝光时间、丢包次数等各种奖励功能,逐步塑造算法的行为,确保 DESOLATOR 兼顾安全性和效率。

Moore 表示:“现有的传统车载网络效率很高,但它们在设计时并没有真正考虑到安全性。如今,很多研究仅着眼于提高性能或增强安全性。同时兼顾性能和安全性的非常罕见,尤其是对于车载网络。”

此外,DESOLATOR 并不局限于识别最佳 IP 改组频率和带宽分配。由于这种方法是一种机器学习框架,其他研究人员可以修改该技术,以在一定范围内追求不同的目标。

Nelson 表示,“这种改造技术的能力非常有价值,不仅可以扩展研究,还可以将这种能力与其他网络能力相结合,以获得最佳的网络安全保护。”

ChinaIT.com 网站文章仅限于提供更多信息,不代表本网站立场观点。如需转载,请注明来源 。转载之文章来源于互联网,如有版权问题,请与我们联系:content@chinait.com。

扫码关注ChinaIT小程序,随时掌握最新IT资讯