Misbehavior Detection in Internet of Vehicles: A Multi-Dimensional Survey

एक ऐसे शहर की कल्पना करें जहाँ हर कार, ट्रैफिक लाइट और सड़क सेंसर एक-दूसरे से बात करता है, दुर्घटनाओं को रोकने और भीड़भाड़ को कम करने के लिए गति, स्थान और सड़क की स्थिति के बारे में लगातार जानकारी साझा करता है। यह दृष्टिकोण, जिसे 'इंटरनेट ऑफ व्हीकल्स' (Internet of Vehicles) के रूप में जाना जाता है, मशीनों के बीच एक निरंतर, वास्तविक समय (real-time) की बातचीत पर निर्भर करता है। इस प्रणाली को सुरक्षित रूप से काम करने के लिए, प्रत्येक वाहन को प्राप्त सूचना पर भरोसा करना चाहिए। यदि एक कार कहती है कि वह धीरे चल रही है, तो उसके पीछे चल रही कारों को इस बात पर विश्वास करना चाहिए और उसे भी धीमा हो जाना चाहिए। हालाँकि, यह खुला नेटवर्क एक खतरनाक समस्या का सामना करता है: क्या होगा जब कोई वाहन झूठ बोलेगा? एक दुर्भावनापूर्ण हमलावर गलत संदेश भेज सकता है, अलग स्थान पर होने या अलग गति से चलने का ढोंग कर सकता है, जिससे वास्तविक दुनिया में दुर्घटनाएं या ट्रैफिक जाम हो सकता है। यह केवल पासवर्ड तोड़ने वाले हैकर के बारे में नहीं है; यह एक भरोसेमंद प्रतिभागी के बारे में है जो अचानक दूसरों को धोखा देने का निर्णय लेता है।

शोधकर्ता नरेंद्र डेवांगन और मौनिरा म्सहली ने इस बात की व्यापक समीक्षा की है कि नुकसान पहुँचाने से पहले इन झूठों को कैसे पहचाना जाए। उन्होंने वर्तमान सुरक्षा विधियों के विशाल परिदृश्य का परीक्षण किया, जिसमें सरल नियम-जांच से लेकर जटिल आर्टिफिशियल इंटेलिजेंस (AI) तक सब कुछ शामिल है। उनका कार्य प्रकट करता है कि जबकि हमारे पास बुरे तत्वों को पकड़ने के लिए कई उपकरण हैं, लेकिन खेल तेजी से बदल रहा है। उन्नत आर्टिफिशियल इंटेलिजेंस द्वारा संचालित नए खतरे उभर रहे हैं, जो इतने विश्वसनीय झूठ गढ़ सकते हैं कि वे बिल्कुल सच जैसे दिखते हैं। शोधकर्ताओं ने पाया कि हमारे वर्तमान बचाव, जो अक्सर स्थिर नियमों या सरल सांख्यिकीय जांचों पर निर्भर करते हैं, उनके साथ तालमेल बिठाने में संघर्ष कर रहे हैं। वे तर्क देते हैं कि जुड़े हुए ड्राइविंग के भविष्य को सुरक्षित करने के लिए, हमें एक नए प्रकार के पहचान तंत्र की आवश्यकता है—एक ऐसा तंत्र जो न केवल झूठ के संदर्भ को समझने के लिए पर्याप्त स्मार्ट हो, बल्कि जीवन बचाने के लिए आवश्यक पलक झपकते ही प्रतिक्रिया देने के लिए पर्याप्त तेज़ भी हो।

इस शोध का मूल भाग समस्या को व्यवस्थित करने और समझने का एक नया तरीका है। सुरक्षा विधियों को अलग-थलग देखने के बजाय, लेखकों ने एक बहु-आयामी मानचित्र बनाया जो इस बात को जोड़ता है कि झूठ का पता कैसे लगाया जाता है, पहचान कहाँ होती है, और कौन परेशानी पैदा करने की कोशिश कर रहा है। उन्होंने पाया कि अधिकांश वर्तमान अध्ययन नेटवर्क लेयर (network layer) पर बहुत अधिक ध्यान केंद्रित करते हैं, यह जाँचते हुए कि क्या संदेश सही ढंग से भेजे गए हैं, लेकिन अक्सर उस फिजिकल लेयर (physical layer) को अनदेखा कर देते हैं जहाँ सेंसर वास्तव में दुनिया को देखते हैं। यह एक महत्वपूर्ण अंतर है। एक परिष्कृत हमलावर एक पूरी तरह से सही प्रारूप वाला संदेश भेज सकता है कि कार बाएँ मुड़ रही है, जबकि पास के वाहन के भौतिक सेंसर दिखाते हैं कि कार वास्तव में सीधी जा रही है। वर्तमान प्रणालियाँ इस विरोधाभास को इसलिए नहीं पकड़ पातीं क्योंकि वे डिजिटल संदेश की भौतिक वास्तविकता के साथ क्रॉस-चेक नहीं करती हैं। शोधकर्ता जोर देते हैं कि भविष्य के समाधानों को इस अंतर को पाटना चाहिए, जिसमें डिजिटल सत्यापन और भौतिक संवेदना-जांच (physical sense-checking) का संयोजन उपयोग किया जाए ताकि उन विसंगतियों को पकड़ा जा सके जिन्हें एक साधारण नियम-आधारित प्रणाली मिस कर सकती है।

शोध का एक महत्वपूर्ण हिस्सा जनरेटिव आर्टिफिशियल इंटेलिजेंस (Generative AI) के बढ़ते खतरे को समर्पित है। ये शक्तिशाली कंप्यूटर प्रोग्राम हैं जो नई सामग्री, जैसे कि टेक्स्ट, चित्र या डेटा स्ट्रीम बनाने में सक्षम हैं, जो पूरी तरह से वास्तविक दिखते हैं। वाहनों की सुरक्षा के संदर्भ में, यह तकनीक हमलावरों को ऐसा नकली ट्रैफिक डेटा बनाने की अनुमति देती है जो सांख्यिकीय रूप से पूर्ण और प्रासंगिक रूप से विश्वसनीय हो। एक अनाड़ी हैकर के विपरीत जो गलत समय पर या स्पष्ट त्रुटि के साथ संदेश भेजता है, एक जनरेटिव AI ट्रैफिक के प्रवाह में पूरी तरह फिट बैठने वाला झूठ गढ़ सकता है, जिससे इसे पारंपरिक तरीकों से पहचानना लगभग असंभव हो जाता है। लेखक बताते हैं कि सुरक्षा प्रणालियों को प्रशिक्षित करने के लिए उपयोग किए जाने वाले मौजूदा डेटासेट काफी पुराने हो चुके हैं; उनमें पुराने जमाने के हमलों के उदाहरण हैं लेकिन इनमें नए, AI-जनित धोखों की कमी है। फलस्वरूप, कई सुरक्षा प्रणालियों का परीक्षण उन परिदृश्यों पर किया जा रहा है जो अब आधुनिक खतरों की वास्तविकता को प्रतिबिंबित नहीं करते हैं। शोधकर्ता प्रस्तावित करते हैं कि हमें पूरी तरह से नए बेंचमार्क और डेटासेट की आवश्यकता है जिनमें इन AI-निर्मित हमलों को शामिल किया गया हो ताकि हमारे बचाव को ठीक से प्रशिक्षित और परीक्षण किया जा सके।

यह सर्वेक्षण इन सुरक्षा प्रणालियों को डिजाइन करने में एक मौलिक तनाव को भी उजागर करता है: सटीकता और गति के बीच का समझौता। एक जुड़े हुए कार में, एक सेकंड के भी छोटे हिस्से की देरी से लिया गया निर्णय विनाशकारी हो सकता है। शोधकर्ताओं ने विभिन्न पहचान विधियों का विश्लेषण किया और पाया कि जबकि उन्नत आर्टिफिशियल इंटेलिजेंस मॉडल झूठ पकड़ने में बहुत उच्च सटीकता प्राप्त कर सकते हैं, उन्हें डेटा को संसाधित करने के लिए महत्वपूर्ण कंप्यूटिंग शक्ति और समय की आवश्यकता होती है। यह विलंबता (latency) उन्हें कारों के भीतर या सड़क किनारे स्थित इकाइयों (roadside units) के छोटे, संसाधन-सीमित कंप्यूटरों पर तैनात करना कठिन बनाती है। दूसरी ओर, सरल और तेज़ तरीके अक्सर एक परिष्कृत हमलावर के सूक्ष्म, अनुकूलन योग्य झूठ को पकड़ने के लिए पर्याप्त स्मार्ट नहीं होते हैं। लेखक सुझाव देते हैं कि समाधान हाइब्रिड दृष्टिकोण में निहित है, जहाँ हल्के वजन वाली जाँच वाहन पर तुरंत होती है, और अधिक जटिल विश्लेषण को पास के एज सर्वर (edge servers) या क्लाउड के साथ साझा या ऑफलोड किया जाता है। वे फेडरेटेड लर्निंग (federated learning) के उपयोग की भी खोज करते हैं, जो एक ऐसी तकनीक है जो वाहनों को अपना निजी डेटा साझा किए बिना एक-दूसरे के अनुभवों से सीखने की अनुमति देती है, और ट्रस्ट का एक साझा, अपरिवable रिकॉर्ड बनाने के लिए ब्लॉकचेन तकनीक का उपयोग करती है।

इन उन्नत तकनीकों के वादे के बावजूद, शोधकर्ता कई प्रमुख बाधाओं की पहचान करते हैं जो अभी भी मौजूद हैं। सबसे बड़ी चुनौतियों में से एक गोपनीयता (privacy) है। किसी झूठ को पकड़ने के लिए, एक प्रणाली को अक्सर किसी वाहन के व्यवहार के बारे में बहुत कुछ जानने की आवश्यकता होती है, लेकिन इस डेटा को एकत्र करने से निगरानी और उपयोगकर्ता गोपनीयता संबंधी गंभीर चिंताएँ पैदा होती हैं। पेपर का तर्क है कि भविष्य की प्रणालियों को इस तरह से डिजाइन किया जाना चाहिए कि वे ईमानदार ड्राइवरों के निजी विवरणों को उजागर किए बिना दुर्व्यवहार का पता लगा सकें। एक अन्य चुनौती व्याख्यात्मकता (explainability) है। यदि एक आर्टिफिशियल इंटेलिजेंस सिस्टम किसी संदेश को ब्लॉक करने या किसी वाहन को खतरनाक के रूप में चिह्नित करने का निर्णय लेता है, तो उसे यह समझाने में सक्षम होना चाहिए कि उसने ऐसा क्यों किया। ड्राइविंग जैसे सुरक्षा-महत्वपूर्ण वातावरण में, एक "ब्लैक बॉक्स" निर्णय जिसे समझा या ऑडिट नहीं किया जा सकता, स्वीकार्य नहीं है। शोधकर्ता ऐसे सिस्टम के लिए आह्वान करते हैं जो उनके कार्यों के लिए स्पष्ट, समझने योग्य कारण प्रदान कर सकें, जिससे यह सुनिश्चित हो सके कि मानव संचालक और नियामक तकनीक पर भरोसा कर सकें।

आगे देखते हुए, लेखक एक ऐसे पथ की रूपरेखा तैयार करते हैं जो सरल पहचान से आगे बढ़कर एक अधिक मजबूत, अनुकूलन योग्य सुरक्षा स्थिति की ओर बढ़ता है। वे सुझाव देते हैं कि हमें स्थिर बचाव से दूर जाना चाहिए जो खतरों के एक निश्चित सेट को मान लेते हैं, और गतिशील प्रणालियों की ओर बढ़ना चाहिए जो हमलावरों के बदलने के साथ विकसित हो सकें। इसमें सुरक्षा प्रणालियों के परीक्षण के लिए नए मानक विकसित करना, AI-जनित हमलों को शामिल करने वाले यथार्थवादी डेटासेट बनाना, और ऐसे आर्किटेक्चर डिजाइन करना शामिल है जो नेटवर्क के कुछ हिस्सों के समझौता होने पर भी प्रभावी ढंग से काम कर सकें। अंतिम लक्ष्य एक ऐसा सिस्टम बनाने का है जो न केवल प्रतिक्रियाशील (reactive) हो, बल्कि लचीला (resilient) भी हो—एक ऐसा नेटवर्क जो धोखे का सामना कर सके, विश्वास बनाए रख सके और बुद्धिमान, अनुकूलन योग्य विरोधियों के सामने भी यातायात के प्रवाह को सुरक्षित रख सके। इन चुनौतियों और अवसरों को मैप करके, यह सर्वेक्षण स्वायत्त और जुड़े हुए मोबिलिटी को सुरक्षित करने के लिए काम करने वाले शोधकर्ताओं और इंजीनियरों को एक स्पष्ट रोडमैप प्रदान करता है।