A Hardware–Software Co-Designed Lightweight CNN–MLP Accelerator for CAN Intrusion Detection on FPGA

لم تعد السيارات الحديثة مجرد آلات ذات محركات وعجلات؛ بل هي شبكات متدحرجة من عشرات الحواسيب الصغيرة، المعروفة باسم وحدات التحكم الإلكترونية، التي تتواصل باستمرار مع بعضها البعض لإدارة كل شيء بدءاً من الكبح وصولاً إلى التوجيه. تتواصل هذه الحواسيب عبر طريق سريع مشترك يسمى شبكة منطقة التحكم، أو "ناقل CAN". ولعقود من الزمن، عمل هذا النظام بموثوقية لأنه صُمم من أجل السرعة والبساطة، وليس من أجل الأمن. فهو يفتقر إلى الأقفال الرقمية وفحوصات الهوية الموجودة في اتصالات الإنترنت الحديثة، مما يعني أنه إذا تمكن مخترق من الاتصال بمنفذ التشخيص في السيارة أو الوصول إلى أسلاكها، فيمكنه إرسال رسائل خاطئة تبدو تماماً مثل الرسائل المشروعة. تسمح هذه الثغرة للمهاجمين بإغراق الشبكة بالضجيج، أو إرباك أنظمة السيارة، أو حتى السيطرة على الوظائف الحيوية. ولإيقاف هذه التهديدات، يتجه المهندسون إلى الذكاء الاصطناعي، وتحديداً الأنظمة التي يمكنها تعلم كيفية رصد الأنماط الدقيقة للهجوم السيبراني في الوقت الفعلي. ومع ذلك، فإن هذه الأنظمة الذكية تتطلب عادةً حواسيب قوية تستهلك الكثير من الطاقة وتستغرق وقتاً طويلاً لمعالجة البيانات بحيث لا تتناسب مع "الدماغ الإلكتروني" المحدود للسيارة.

لقد تصدى فريق من الباحثين من جامعة صفاقس في تونس لهذه المشكلة من خلال إنشاء نوع جديد من أنظمة الأمان التي تتميز بذكاء كافٍ لاكتشاف الهجمات وصغر حجم كافٍ لتعمل على الأجهزة الموجودة في السيارة. وبدلاً من محاولة فرض برنامج حاسوبي ضخم ومعقد داخل مساحة صغيرة، صمموا نظاماً خفيف الوزن من الصفر، مع موازنة دقيقة بين البرمجيات التي تقوم بالتفكير والأجهزة المتخصصة التي تقوم بالعمل. لقد بنوا مسرعاً مخصصاً على شريحة تسمى FPGA، وهي شريحة حاسوبية قابلة لإعادة التشكيل تُستخدم غالواً في الهندسة لأنها يمكن برمجتها لأداء مهام محددة بسرعة هائلة واستهلاك منخفض للطاقة. لم يقم الباحثون ببساطة بأخذ برنامج أمني قياسي وتقليصه؛ بل قاموا بتصميم مشترك للنظام بأكمله، حيث شكلوا نموذج الذكاء الاصطناعي ليتناسب مع نقاط قوة الأجهزة بينما طوعوا الأجهزة لتلبية احتياجات النموذج.

جوهر حلهم هو بنية هجينة تجمع بين نوعين من الشبكات العصبية، وهي أنظمة حاسوبية مستوحاة من الدماغ البشري. يقوم جزء منها بالبحث عن الأنماط قصيرة المدى في تدفق البيانات، بينما يتخذ الجزء الآخر القرار النهائي بشأن ما إذا كانت الرسالة آمنة أم ضارة. يتجنب هذا التصميم خطوات المعالجة التسلسلية الثقيلة التي تبطئ أنواعاً أخرى من الذكاء الاصطناعي، مما يسمح للنظام بتحليل حركة المرور أثناء تدفقها عبر شبكة السيارة دون تأخير. ولإنجاح ذلك على شريحة ذات ذاكرة محدودة، استخدم الباحثون تقنية تسمى "التكميم غير المتجانس للنقاط الثابتة" (heterogeneous fixed-point quantization). وبعبارة أبسط، يعني هذا أنهم عدلوا دقة الأرقام التي يستخدمها الحاسوب لأجزاء مختلفة من العملية الحسابية؛ فقد احتفظوا بدقة عالية للأجزاء الأكثر أهمية في عملية اتخاذ القرار لضمان الدقة، بينما استخدموا أرقاماً أبسط وأقل دقة للخطوات الأقل أهمية لتوفير المساحة والطاقة. سمح هذا النهج لهم بالإبقاء على "دماغ" النظام مدمجاً دون فقدان قدرته على رصد التهديدات الدقيقة.

عندما اختبر الباحثون نظامهم باستخدام مجموعة بيانات معروفة لحركة مرور شبكة السيارات، والتي تضمنت القيادة العادية بالإضافة إلى هجمات محاكية مثل فيض حجب الخدمة (denial-of-service) ومحاولات انتحال الشخصية، كانت النتائج مذهلة. فقد حدد النظام نوع حركة المرور بدقة بلغت 99.28 بالمائة، مما يعني أنه نادراً ما يخطئ في التمييز بين سيارة آمنة وأخرى مخترقة. والأهم من ذلك، أنه فعل ذلك بسرعة وكفاءة فائقتين؛ حيث استطاع النظام تحليل مجموعة جديدة من البيانات واتخاذ قرار في غض0.138 مللي ثانية فقط، وهو إطار زمني قصير جداً لدرجة أنه يحدث بشكل فوري تقريباً من منظور بشري. كما استهلك طاقة قليلة جداً، حيث سحب 1.793 واط فقط أثناء التشغيل، وهو مستوى من كفاءة الطاقة يجعل من الممكن للسيارة تشغيل مراقب الأمان هذا باستمرار دون استنزاف البطارية.

قارن الباحثون نهجهم بطرق أخرى جُربت على أجهزة مماثلة. تعتمد العديد من الحلول الحالية إما على تبسيطات مفرطة تجعل الأرقام غير مستقرة، أو تستخدم تصميمات تسلسلية معقدة تكون بطيئة جداً بالنسبة للسلامة في الوقت الفعلي. وتعتمد طرق أخرى على أجهزة محددة وحصرية لا يمكن نقلها بسهولة إلى طرازات سيارات مختلفة. يتجنب التصميم الجديد هذه العثرات من خلال إيجاد حل وسط؛ فهو يحقق دقة اكتشاف تقارب أكثر النماذج تعقيداً، لكنه يعمل بسرعة أكبر بكثير ويستهلك طاقة أقل. وقد قاس الفريق درجة كفاءة محددة تجمع بين الدقة والسرعة واستهلاك الطاقة، وسجل نظامهم درجة أعلى بمرتين من النهج الرائدة الأخرى. يشير هذا إلى أن المقايضة بين كون النظام ذكياً وبين كونه فعالاً ليست لعبة صفرية؛ فمن خلال تصميم البرمجيات والأجهزة معاً، يمكن الحصول على كليهما.

بُني النظام واختُبر على شريحة Xilinx Zynq-7020، وهي نوع من المعالجات التي تجمع بين نواة حاسوبية عامة والأجزاء المنطقية المتخصصة اللازمة لهذا النوع من التسريع. استخدم الباحثون سير عمل "التوليف عالي المستوى" (high-level synthesis)، وهو أسلوب يقوم تلقائياً بترجمة تصميم البرمجيات إلى التعليمات المحددة التي تحتاج الشريحة لتنفيذها. سمح هذا لهم بإنشاء تدفق بيانات "مواسيري" كامل (fully pipelined)، حيث يعالج النظام البيانات في تيار مستمر، تماماً مثل خط التجميع حيث تتم معالجة عنصر جديد في كل لحظة تعمل فيها الآلة. يضمن هذا التصميم أن نظام أمان السيارة لا يحتاج أبداً لانتظار انتهاء الحساب السابق قبل البدء في التالي، مما يوفر استجابة ثابتة وقابلة للتنبؤ، وهو أمر ضروري للتطبيقات المتعلقة بالسلامة.

بينما تبدو النتائج واعدة، يقر الباحثون بأن عملهم هو خطوة نحو هدف أكبر. فقد أُجري الاختبار باستخدام مجموعة بيانات محددة لحركة المرور المسجلة، والتي توفر بيئة محكومة ولكنها قد لا ترصد كل التباينات الممكنة لهجوم في العالم الحقيقي أو الظروف الفوضوية لطريق مزدحم. كما أشاروا أيضاً إلى أن جزءاً كبيراً من إجمالي استهلاك الطاقة جاء من جزء المعالج العام في الشريحة، مما يشير إلى أن المزيد من التحسينات يمكن أن تجعل النظام أكثر كفاءة في استهلاك الطاقة. وبالرغم من هذه القيود، تثبت الدراسة أنه من الممكن دمج ذكاء اصطناعي متطور مباشرة في وحدات التحكم الإلكترونية للمركبة. وهذا يفتح الباب أمام سيارات يمكنها الدفاع عن نفسها ضد الهجمات السيبرانية في الوقت الفعلي، مما يحمي سلامة المركبة وركابها دون الاعتماد على اتصالات بطيئة بالسحابة أو حواسيب خارجية ضخمة. إن هذا العمل يثبت أنه مع الهندسة الدقيقة، لا يجب أن تكون قيود الأجهزة المدمجة عائقاً أمام الأمن المتقدم.