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

Les voitures modernes ne sont plus seulement des machines dotées de moteurs et de roues ; elles sont des réseaux roulants comprenant des dizaines de petits ordinateurs, appelés unités de commande électronique, qui communiquent constamment entre eux pour gérer tout, du freinage à la direction. Ces ordinateurs communiquent via une autoroute partagée appelée réseau de zone de contrôleur, ou bus CAN. Pendant des décennies, ce système a fonctionné de manière fiable car il a été conçu pour la vitesse et la simplicité, et non pour la sécurité. Il manque les verrous numériques et les contrôles d'identité que l'on trouve dans les connexions Internet modernes, ce qui signifie que si un pirate peut se brancher sur le port de diagnostic de la voiture ou accéder à son câblage, il peut envoyer de faux messages qui ressemblent à des messages légitimes. Cette vulnérabilité permet à des attaquants d'inonder le réseau de bruit, de confondre les systèmes de la voiture ou même de prendre le contrôle de fonctions critiques. Pour contrer ces menaces, les ingénieurs se tournent vers l'intelligence artificielle, spécifiquement des systèmes capables d'apprendre à détecter les motifs subtils d'une cyberattaque en temps réel. Cependant, ces systèmes intelligents nécessitent généralement des ordinateurs puissants qui consomment trop d'énergie et mettent trop de temps à traiter les données pour s'intégrer dans le cerveau électronique limité d'une voiture.

Une équipe de chercheurs de l'Université de Sfax en Tunisie a abordé ce problème en créant un nouveau type de système de sécurité qui est à la fois assez intelligent pour détecter les attaques et assez petit pour fonctionner sur le matériel existant d'une voiture. Au lieu d'essayer de forcer un programme informatique massif et complexe dans un espace minuscule, ils ont conçu un système léger de toutes pièces, en équilibrant soigneusement le logiciel qui fait la réflexion avec le matériel spécialisé qui fait le travail. Ils ont construit un accélérateur personnalisé sur une puce appelée FPGA, qui est une puce informatique reconfigurable souvent utilisée en ingénierie car elle peut être programmée pour effectuer des tâches spécifiques avec une vitesse incroyable et une faible consommation d'énergie. Les chercheurs n'ont pas simplement pris un programme de sécurité standard pour le rétrécir ; ils ont co-conçu l'ensemble du système, façonnant le modèle d'intelligence artificielle pour qu'il s'adapte aux forces du matériel tout en adaptant le matériel pour répondre aux besoins du modèle.

Le cœur de leur solution est une architecture hybride qui combine deux types de réseaux neuronaux, qui sont des systèmes informatiques modélisés d'après le cerveau humain. Une partie recherche les motifs à court terme dans le flux de données, tandis que l'autre prend la décision finale de savoir si un message est sûr ou malveillant. Cette conception évite les étapes de traitement séquentielles lourdes qui ralentissent d'autres types d'IA, permettant au système d'analyser le trafic au fur et à mesure qu'il circule dans le réseau de la voiture sans délai. Pour faire fonctionner cela sur une puce à mémoire limitée, les chercheurs ont utilisé une technique appelée quantification à point fixe hétérogène. En termes simples, cela signifie qu'ils ont ajusté la précision des nombres que l'ordinateur utilise pour différentes parties du calcul. Ils ont conservé une haute précision pour les parties les plus critiques du processus de décision afin de garantir l'exactitude, tout en utilisant des nombres plus simples et de moindre précision pour les étapes moins critiques afin d'économer de l'espace et de l'énergie. Cette approche leur a permis de garder le cerveau du système compact sans perdre sa capacité à détecter les menaces subtiles.

Lorsque les chercheurs ont testé leur système en utilisant un ensemble de données bien connu de trafic de réseau automobile, qui comprenait une conduite normale ainsi que des attaques simulées comme des inondations par déni de service et des tentatives d'usurpation d'identité, les résultats ont été frappants. Le système a identifié correctement le type de trafic avec une précision de 99,28 %, ce qui signifie qu'il commet rarement des erreurs en distinguant une voiture sûre d'une voiture piratée. Plus important encore, il l'a fait avec une vitesse et une efficacité extrêmes. Le système peut analyser un nouvel ensemble de données et prendre une décision en seulement 0,138 milliseconde, un intervalle de temps si court qu'il se produit presque instantanément du point de vue humain. Il consomme également très peu d'énergie, ne tirant que 1,793 watt lors de son fonctionnement, un niveau d'efficacité énergétique qui permet à une voiture de faire fonctionner ce moniteur de sécurité en continu sans épuiser la batterie.

Les chercheurs ont comparé leur approche à d'autres méthodes qui ont été testées sur un matériel similaire. De nombreuses solutions existantes reposent soit sur des simplifications extrêmes qui rendent les chiffres instables, soit sur des conceptions séquentielles complexes qui sont trop lentes pour la sécurité en temps réel. D'autres dépendent de matériel spécifique et propriétaire qui ne peut pas être facilement déplacé vers différents modèles de voitures. Le nouveau design évite ces pièges en trouvant un juste milieu. Il atteint une précision de détection presque aussi élevée que les modèles les plus complexes, mais fonctionne nettement plus vite et consomme moins d'énergie. L'équipe a mesuré un score d'efficacité spécifique qui combinait la précision, la vitesse et la consommation d'énergie, et leur système a obtenu un score plus de deux fois supérieur aux autres approches de pointe. Cela suggère que le compromis entre être intelligent et être efficace n'est pas un jeu à somme nulle ; en concevant le logiciel et le matériel ensemble, il est possible d'avoir les deux.

Le système a été construit et testé sur une puce Xilinx Zynq-7020, un type de processeur qui combine un cœur informatique à usage général avec la logique spécialisée nécessaire pour ce genre d'accélération. Les chercheurs ont utilisé un flux de synthèse de haut niveau, qui est une méthode qui traduit automatiquement la conception logicielle en instructions spécifiques dont la puce matérielle a besoin pour s'exécuter. Cela leur a permis de créer un flux de données entièrement pipeliné, où le système traite les données en un flux continu, un peu comme une chaîne de montage où un nouvel article est traité à chaque instant où la machine fonctionne. Cette conception garantit que le système de sécurité de la voiture n'a jamais besoin d'attendre que le calcul précédent soit terminé avant de commencer le suivant, fournissant une réponse stable et prévisible qui est essentielle pour les applications critiques de sécurité.

Bien que les résultats soient prometteurs, les chercheurs reconnaissent que leur travail est une étape vers un objectif plus large. Les tests ont été effectués à l'aide d'un ensemble de données spécifique de trafic enregistré, ce qui fournit un environnement contrôlé mais peut ne pas capturer toutes les variations possibles d'une attaque réelle ou les conditions chaotiques d'une route encombrée. Ils ont également noté qu'une partie importante de la consommation d'énergie totale provenait de la partie processeur à usage général de la puce, suggérant que des raffinements supplémentaires pourraient rendre le système encore plus économe en énergie. Malgré ces limites, l'étude démontre qu'il est possible d'intégrer une intelligence artificielle sophistiquée directement dans les unités de commande électronique d'un véhicule. Cela ouvre la voie à des voitures capables de se défendre contre les cyberattaques en temps réel, protégeant la sécurité du véhicule et de ses passagers sans dépendre de connexions lentes vers le cloud ou d'ordinateurs externes encombrants. Ce travail prouve qu'avec une ingénierie minutieuse, les contraintes du matériel embarqué ne sont pas une barrière à une sécurité avancée.