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

Moderne Autos sind nicht mehr nur Maschinen mit Motoren und Rädern; sie sind rollende Netzwerke aus Dutzenden kleiner Computer, bekannt als elektronische Steuergeräte, die ständig miteinander kommunizieren, um alles von der Bremsung bis zur Lenkung zu steuern. Diese Computer kommunizieren über eine gemeinsame Autobahn, den Controller Area Network, oder CAN-Bus. Jahrzehntelang hat dieses System zuverlässig funktioniert, weil es auf Geschwindigkeit und Einfachheit ausgelegt war, nicht auf Sicherheit. Es mangelt ihm an den digitalen Schlössern und Identitätsprüfungen, die moderne Internetverbindungen finden, was bedeutet, dass ein Hacker, wenn er sich an den Diagnoseport des Autos anschließen oder Zugriff auf dessen Verkabelung erhält, gefälschte Nachrichten senden kann, die wie legitime Nachrichten aussehen. Diese Schwachstelle ermöglicht es Angreifern, das Netzwerk mit Rauschen zu überfluten, die Systeme des Autos zu verwirren oder sogar die Kontrolle über kritische Funktionen zu übernehmen. Um diese Bedrohungen zu stoppen, setzen Ingenieure auf künstliche Intelligenz, speziell auf Systeme, die lernen können, die subtilen Muster eines Cyberangriffs in Echtzeit zu erkennen. Diese intelligenten Systeme benötigen jedoch leistungsstarke Computer, die zu viel Energie verbrauchen und zu lange brauchen, um Daten zu verarbeiten, um in das begrenzte elektronische Gehirn eines Autos zu passen.

Ein Team von Forschern der Universität Sfax in Tunesien hat dieses Problem angegangen, indem sie ein neues System geschaffen haben, das sowohl intelligent genug ist, um Angriffe zu erkennen, als auch klein genug, um auf der bestehenden Hardware eines Autos zu laufen. Anstatt zu versuchen, ein massives, komplexes Computerprogramm in einen winzigen Raum zu pressen, entwarfen sie ein leichtgewichtiges System von Grund auf neu, wobei sie die Software, die das Denken übernimmt, sorgfältig mit der spezialisierten Hardware, die die Arbeit verrichtet, abwogen. Sie bauten einen kundenspezifischen Beschleuniger auf einem Chip namens FPGA, einem rekonfigurierbaren Computerchip, der oft in der Ingenieurwissenschaft verwendet wird, weil er so programmiert werden kann, dass er spezifische Aufgaben mit unglaublicher Geschwindigkeit und geringem Stromverbrauch ausführt. Die Forscher haben nicht einfach ein Standard-Sicherheitsprogramm genommen und es geschrumpft; sie haben das gesamte System ko-designt, indem sie das Modell der künstlichen Intelligenz an die Stärken der Hardware anpassten und gleichzeitig die Hardware auf die Bedürfnisse des Modells zuschneideten.

Der Kern ihrer Lösung ist eine Hybridarchitektur, die zwei Arten von neuronalen Netzen kombiniert – dies sind Computersysteme, die dem menschlichen Gehirn nachempfunden sind. Ein Teil sucht nach kurzfristigen Mustern im Datenfluss, während der andere Teil die endgültige Entscheidung darüber trifft, ob eine Nachricht sicher oder bösartig ist. Dieses Design vermeidet die schweren, sequenziellen Verarbeitungsschritte, die andere Arten von KI verlangsamen, und ermöglicht es dem System, den Verkehr zu analysieren, während er durch das Netzwerk des Autos fließt, ohne Verzögerung. Um dies auf einem Chip mit begrenztem Speicher zum Laufen zu bringen, verwendeten die Forscher eine Technik namens heterogene Fixed-Point-Quantisierung. In einfachen Worten ausgedrückt bedeutet dies, dass sie die Präzision der Zahlen, die der Computer für verschiedene Teile der Berechnung verwendet, angepasst haben. Sie behielten eine hohe Präzision für die kritischsten Teile des Entscheidungsprozesses bei, um die Genauigkeit zu gewährleisten, während sie für die weniger kritischen Schritte einfachere, präzisionsärmere Zahlen verwendeten, um Platz und Energie zu sparen. Dieser Ansatz ermöglichte es ihnen, das „Gehirn“ des Systems kompakt zu halten, ohne seine Fähigkeit zu verlieren, subtile Bedrohungen zu erkennen.

Als die Forscher ihr System unter Verwendung eines bekannten Datensatzes von Fahrzeugnetzwerkverkehr testeten, der sowohl normales Fahren als auch simulierte Angriffe wie Denial-of-Service-Überflutungen und Identitätsdiebstahl-Versuche enthielt, waren die Ergebnisse beeindruckend. Das System identifizierte die Art des Verkehrs mit einer Genauigkeit von 99,28 Prozent korrekt, was bedeutet, dass es selten Fehler bei der Unterscheidung zwischen einem sicheren Auto und einem gehackten Auto macht. Wichtiger noch: Es tat dies mit extremer Geschwindigkeit und Effizienz. Das System konnte einen neuen Datensatz analysieren und eine Entscheidung in nur 0,138 Millisekunden treffen – ein Zeitrahmen, der aus menschlicher Sicht fast augenblicklich geschieht. Es verbrauchte zudem sehr wenig Strom und bezog beim Betrieb nur 1,793 Watt, ein Niveau an Energieeffizienz, das es dem Auto ermöglicht, diesen Sicherheitsmonitor kontinuierlich laufen zu lassen, ohne die Batterie zu entladen.

Die Forscher verglichen ihren Ansatz mit anderen Methoden, die auf ähnlicher Hardware ausprobiert wurden. Viele bestehende Lösungen verlassen sich entweder auf extreme Vereinfachungen, die die Zahlen instabil machen, oder nutzen komplexe, sequentielle Designs, die für die Echtzeitsicherheit zu langsam sind. Andere hängen von spezifischer, proprietärer Hardware ab, die nicht einfach auf andere Automodelle übertragen werden kann. Das neue Design vermeidet diese Fallstricke, indem es einen Mittelweg findet. Es erreicht nahezu die gleiche Erkennungsgenauigkeit wie die komplexesten Modelle, läuft aber signifikant schneller und verbraucht weniger Energie. Das Team maß einen spezifischen Effizienzwert, der Genauigkeit, Geschwindigkeit und Stromverbrauch kombinierte, und ihr System erzielte mehr als doppelt so hoch wie andere führende Ansätze. Dies deutet darauf an, dass der Kompromiss zwischen „intelligent sein“ und „effizient sein“ kein Nullsummenspiel ist; indem man Software und Hardware gemeinsam entwirft, ist es möglich, beides zu haben.

Das System wurde auf einem Xilinx Zynq-7020 Chip aufgebaut und getestet, einem Typ von Prozessor, der einen Allzweck-Computer-Kern mit der spezialisierten Logik kombiniert, die für diese Art von Beschleunigung benötigt wird. Die Forscher verwendeten einen High-Level-Synthesis-Workflow, eine Methode, die das Software-Design automatisch in die spezifischen Anweisungen übersetzt, die der Hardware-Chip zur Ausführung benötigt. Dies ermöglichte es ihnen, einen vollständig gepipelten Datenfluss zu erstellen, bei dem das System Daten in einem kontinuierlichen Strom verarbeitet, ähnlich einem Fließband, bei dem jedes einzelne Teil in jedem Moment, in dem die Maschine läuft, verarbeitet wird. Dieses Design stellt sicher, dass das Sicherheitssystem des Autos niemals auf den Abschluss der vorherigen Berechnung warten muss, bevor es mit der nächsten beginnt, was eine stetige, vorhersehbare Reaktion gewährleistet, die für sicherheitskritische Anwendungen essenziell ist.

Obwohl die Ergebnisse vielversprechend sind, räumen die Forscher ein, dass ihre Arbeit ein Schritt hin zu einem größeren Ziel ist. Das Testen erfolgte unter Verwendung eines spezifischen Datensatzes von aufgezeichnetem Verkehr, der eine kontrollierte Umgebung bietet, aber möglicherweise nicht jede mögliche Variation eines realen Angriffs oder die chaotischen Bedingungen auf einer belebten Straße erfassen kann. Sie merkten auch an, dass ein erheblicher Teil des gesamten Stromverbrauchs vom Allzweck-Prozessorteil des Chips stammte, was darauf hindeutet, dass weitere Verfeinerungen das System noch energieeffizienter machen könnten. Trotz dieser Einschränkungen zeigt die Studie, dass es möglich ist, hochentwickelte künstliche Intelligenz direkt in die elektronischen Steuergeräte eines Fahrzeugs einzubetten. Dies öffnet die Tür für Autos, die sich selbst gegen Cyberangriffe in Echtzeit verteidigen können, indem sie die Sicherheit des Fahrzeugs und seiner Passagiere schützen, ohne auf langsame Verbindungen zur Cloud oder sperrige externe Computer angewiesen zu sein. Die Arbeit beweist, dass mit sorgfältigem Engineering die Beschränkungen eingebetteter Hardware kein Hindernis für fortschrittliche Sicherheit sein müssen.