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

Le auto moderne non sono più solo macchine con motori e ruote; sono reti itineranti composte da decine di piccoli computer, noti come unità di controllo elettronico, che comunicano costantemente tra loro per gestire tutto, dalla frenata allo sterzo. Questi computer comunicano attraverso un'autostrada condivisa chiamata Controller Area Network, o CAN bus. Per decenni, questo sistema ha funzionato in modo affidabile perché è stato progettato per la velocità e la semplicità, non per la sicurezza. Esso manca dei lucchetti digitali e dei controlli di identità presenti nelle moderne connessioni internet, il che significa che se un hacker può collegarsi alla porta di diagnostica dell'auto o accedere al suo cablaggio, può inviare messi falsi che sembrano proprio quelli legittimi. Questa vulnerabilità permette agli attaccanti di inondare la rete di rumore, confondere i sistemi dell'auto o persino prendere il controllo di funzioni critiche. Per fermare queste minacce, gli ingegneri si stanno rivolgendo all'intelligenza artificiale, specificamente a sistemi in grado di imparare a individuare i sottili schemi di un attacco informatico in tempo reale. Tuttavia, questi sistemi intelligenti richiedono solitamente computer potenti che consumano troppa energia e impiegano troppo tempo per elaborare i dati per adattarsi al cervello elettronico limitato di un'auto.

Un team di ricercatori dell'Università di Sfax, in Tunisia, ha affrontato questo problema creando un nuovo tipo di sistema di sicurezza che sia abbastanza intelligente da rilevare gli attacchi e abbastanza piccolo da poter girare sull'hardware esistente di un'auto. Invece di cercare di forzare un programma informatico massiccio e complesso in uno spazio minuscolo, hanno progettato un sistema leggero fin dalle fondamenta, bilanciando attentamente il software che svolge il pensiero con l'hardware specializzato che svolge il lavoro. Hanno costruito un acceleratore personalizzato su un chip chiamato FPGA, che è un chip computerizzato riconfigurabile spesso usato nell'ingegneria perché può essere programmato per eseguire compiti specifici con una velocità incredibile e un basso consumo di energia. I ricercatori non si sono limitati a prendere un programma di sicurezza standard e a rimpicciolirlo; hanno co-progettato l'intero sistema, dando forma al modello di intelligenza artificiale affinché si adattasse ai punti di forza dell'hardware, pur adattando l'hardware alle necessità del modello.

Il cuore della loro soluzione è un'architettura ibrida che combina due tipi di reti neurali, ovvero sistemi informatici modellati sul cervello umano. Una parte osserva i modelli a breve termine nel flusso di dati, mentre l'altra prende la decisione finale se un messaggio sia sicuro o malevolo. Questo design evita i pesanti passaggi di elaborazione sequenziale che rallentano altri tipi di IA, permettendo al sistema di analizzare il traffico mentre scorre attraverso la rete dell'auto senza ritardi. Per far sì che ciò funzioni su un chip con memoria limitata, i ricercatori hanno utilizzato una tecnica chiamata quantizzazione a punto fisso eterogenea. In parole povere, ciò significa che hanno regolato la precisione dei numeri che il computer utilizza per le diverse parti del calcolo. Hanno mantenuto un'alta precisione per le parti più critiche del processo decisionale per garantire l'accuratezza, utilizzando invece numeri più semplici e a bassa precisione per i passaggi meno critici per risparmiare spazio ed energia. Questo approccio ha permesso loro di mantenere il "cervello" del sistema compatto senza perdere la capacità di individuare minacce sottili.

Quando i ricercatori hanno testato il loro sistema utilizzando un noto dataset di traffico di rete automobilistico, che includeva la guida normale così come tentativi simulati di attacco come inondazioni di tipo denial-of-service e tentativi di impersonificazione, i risultati sono stati sorprendenti. Il sistema ha identificato correttamente il tipo di traffico con un'accuratezza del 99,28 percento, il che significa che commette raramente errori nel distinguere tra un'auto sicura e una hackerata. Ancora più importante, lo ha fatto con estrema velocità ed efficienza. Il sistema è in grado di analizzare un nuovo set di dati e prendere una decisione in soli 0,138 millisecondi, un intervallo di tempo così breve che avviene quasi istantaneamente dal punto di vista umano. Ha anche consumato pochissima energia, assorbendo solo 1,793 watt durante il funzionamento, un livello di efficienza energetica che rende fattibile per un'auto far girare continuamente questo monitor di sicurezza senza scaricare la batteria.

I ricercatori hanno confrontato il loro approccio con altri metodi che sono stati provati su hardware simile. Molte soluzioni esistenti si affidano a semplificazioni estreme che rendono i numeri instabili o utilizzano design complessi e sequenziali che sono troppo lenti per la sicurezza in tempo reale. Altre dipendono da hardware specifico e proprietario che non può essere facilmente spostato su diversi modelli di auto. Il nuovo design evita queste insidie trovando una via di mezzo. Ottiene quasi la stessa accuratezza di rilevamento dei modelli più complessi, ma funziona significativamente più velocemente e consuma meno energia. Il team ha misurato un punteggio di efficienza specifico che combinava accuratezza, velocità e consumo di energia, e il loro sistema ha ottenuto un punteggio superiore al doppio rispetto ad altri approcci leader. Ciò suggerisce che il compromesso tra essere intelligenti ed essere efficienti non è un gioco a somma zero; progettando insieme il software e l'hardware, è possibile avere entrambi.

Il sistema è stato costruito e testato su un chip Xilinx Zynq-7020, un tipo di processore che combina un nucleo computerizzato di uso generale con la logica specializzata necessaria per questo tipo di accelerazione. I ricercatori hanno utilizzato un flusso di lavoro di sintesi di alto livello, che è un metodo che traduce automaticamente il design del software nelle istruzioni specifiche che l'hardware del chip deve eseguire. Ciò ha permesso loro di creare un flusso di dati completamente pipelined, dove il sistema elabora i dati in un flusso continuo, molto simile a una catena di montaggio dove un nuovo articolo viene lavorato ogni singolo momento in cui la macchina è in funzione. Questo design assicura che il sistema di sicurezza dell'auto non debba mai aspettare che il calcolo precedente finisca prima di iniziare il successivo, fornendo una risposta costante e prevedibile che è essenziale per le applicazioni critiche per la sicurezza.

Sebbene i risultati siano promettenti, i ricercatori riconoscono che il loro lavoro è un passo verso un obiettivo più grande. I test sono stati eseguiti utilizzando un dataset specifico di traffico registrato, che fornisce un ambiente controllato ma potrebbe non catturare ogni possibile variazione di un attacco del mondo reale o le condizioni caotiche di una strada trafficata. Hanno anche notato che una parte significativa del consumo totale di energia proveniva dalla parte del processore a uso generale del chip, suggerendo che ulteriori raffinamenti potrebbero rendere il sistema ancora più efficiente dal punto di vista energetico. Nonostante queste limitazioni, lo studio dimostra che è possibile integrare l'intelligenza artificiale sofisticata direttamente nelle unità di controllo elettronico di un veicolo. Ciò apre la porta a auto che possono difendersi dagli attacchi informatici in tempo reale, proteggendo la sicurezza del veicolo e dei suoi passeggeri senza dipendere da connessioni lente al cloud o da ingombranti computer esterni. Il lavoro prova che con una progettazione attenta, i vincoli dell'hardware embedded non devono essere una barriera per la sicurezza avanzata.