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

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。

科学家们表示，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。

科学家们表示，由于“车载单元（OBU）资源有限”以及安装在车辆中的嵌入式传感器的缺陷，“引诱对手发起各种类型的攻击”，这个问题变得更加严重。

“因此，需要设计轻量级但可靠的身份验证方案来对抗这些攻击，”他们写在IEEE 物联网期刊。该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车辆与停车场、行人和道路基础设施中的智能通信设备进行通信的网络。作者指出，这项技术“通过提供实时通信改变了全球城市”。

通过车联网连接的车辆还配备了嵌入式传感器和单元，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。“人工智能进一步增强了这些车辆的操作能力，特别是机器学习以及实时分析和解释数据的深度学习，”研究人员写道。

车辆安全人们发现，车联网时代的汽车很容易受到网络攻击，这些攻击可能会通过拦截甚至改变车辆基础设施通信而导致令人遗憾的事件。机器学习被建议作为一种解决方案，作者的人工智能工具也因此得到推广。

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，安装在车辆中的通信系统仍然遇到挑战，特别是与带宽稀缺以及云服务在规定时间内响应延迟有关的挑战。

作者强调，当前可用的云服务器即使补充了机器学习（ML）和深度学习（深度学习）算法，因为它们仍然“无法对可能导致道路上发生灾难性情况的车辆提供快速响应”。

嵌入式传感器板载单元 (OBU) 和 RSU 也是如此，它们“资源有限，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与云服务器安全通信，“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对车辆进行训练和分类，保护通信实体的隐私，并最大限度地减少车辆所经历的带宽消耗和延迟。”

为此，作者设计了一种新的基于机器学习的身份验证机制来解决隐私和安全问题新兴的车联网生态系统目前正在努力解决这个问题。

研究团队在模拟环境中进行了实验，对所提出的方案与现有最先进的方案在通信、处理和存储开销方面进行了比较分析。

“模拟结果表明，所提出的方案不仅针对众所周知的入侵者攻击进行了修剪，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级且有效。”

作者强调，他们开发的方案解决了当前车辆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 MaskID 和密钥列表，“他们强调。

拟议的方案要求每辆车参与离线阶段，其中受信任的权威机构共享合法车辆和边缘服务器的屏蔽身份或 MaskID 以及密钥列表。

一旦车辆和服务器拥有唯一的屏蔽身份列表，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载。

科学家们解释说：“在我们的方案中，每辆车和边缘服务器（通过 RSU）都配备了机器学习算法，用于将对手与合法对手进行分类。”

机器学习算法实时分析和验证通信模式，增强针对常见网络攻击（包括中间人攻击或假冒攻击）的安全性。

与当前可用的工具相比，该方法的突出之处在于“在每个加密消息的有效负载中嵌入了一个时间跨度，以修剪所提出的方案以抵御众所周知的对抗性攻击”。

“这模拟结果验证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，”作者说道。