INTERSTICE - INTelligent sEcuRity SoluTIons for Connected vEhicles

Syfte och mål

Det föränderliga landskapet av uppkopplade fordon introducerar betydande utmaningar för cybersäkerhet. Detta projekt fokuserar på utveckling av ett distribuerat system baserat på maskininlärning (ML) för intrångsdetektering (IDS) för fordonskommunikationsnätverk, dvs. CAN och Automotive Ethernet. Nätverks-IDS ger ett lager av säkerhet genom att övervaka och analysera datatrafiken och identifiera misstänkta aktiviteter som kan tyda på ett intrång. Det kan underlätta snabb upptäckt av hot och möjliggöra tillämpningen av lämpliga begränsningsåtgärder.

Förväntade effekter och resultat

Projektet introducerar (a) innovativa metoder för att generera attackdata med hjälp av avancerade simuleringsmiljöer och generativa AI-modeller, (b) verktyg och metoder för att analysera nätverksdata samt lösningar för komplex attackdetektering på CAN och Automotive Ethernet baserade på ML-modeller med en betoning på förklarbarhet, (c) effektiva strategier för produktionsutbyggnad av lättvikts-IDS på kantnoden, t.ex. fordons-ECU, och federerade inlärningsbaserade lösningar för att utveckla fordonets aggregerade IDS-modell.

Planerat upplägg och genomförande

Projektet är ett samarbete mellan Scania CV AB, RISE och Scaleout Systems AB och innehåller fem arbetspaket (WP): WP1 fokuserar på datainstrumentering och förberedelse. WP2 tar upp strategier för att implementera lätta och pålitliga ML-drivna IDS för CAN-nätverk. WP3 involverar distribution av lättvikts-IDS och utveckling av en aggregerad IDS-modell med hjälp av federerat lärande. WP4 fokuserar på IDS för Automotive Ethernet och WP5 är dedikerat till spridningen av resultaten.