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

現代の自動車は、もはや単にエンジンと車輪を備えた機械ではありません。それらは、ブレーキからステアリングに至るまであらゆる事象を管理するために、互いに絶えず通信し合う数十個の小さなコンピュータ、すなわち電子制御ユニット（ECU）による「転がるネットワーク」なのです。これらのコンピュータは、CANバスと呼ばれる共有の高速道路を通じて通信しています。数十年にわたり、このシステムは信頼性の高いものとして機能してきました。なぜなら、それはセキュリティではなく、速度と単純さを求めて設計されたものだからです。このシステムには、現代のインターネット接続に見られるようなデジタル的な鍵や身元確認機能が欠けているため、ハッカーが車の診断ポートに接続したり配線にアクセスしたりすることができれば、正当なメッセージであるかのように見せかけた偽のメッセージを送信できてしまいます。この脆弱性により、攻撃者はネットワークにノイズを流し込み、車のシステムを混乱させたり、さらには重要な機能を乗っ取ったりすることが可能になります。これらの脅威を阻止するために、エンジニアたちは人工知能、具体的にはサイバー攻撃の微細なパターンをリアルタイムで検知できるシステムへと目を向けています。しかし、これらのスマートなシステムは通常、強力なコンピュータを必要とし、それらはエネルギーを消費しすぎ、車の限られた電子的な脳に収まるほど迅速にデータを処理することもできません。

チュニジアのスファックス大学の研究チームは、高度な知能を持ちながら、車の既存のハードウェア上で動作するほど軽量な、新しい種類のセキュリティシステムを開発することで、この問題に取り組んだのです。巨大で複雑なコンピュータプログラムを狭いスペースに無理やり押し込もうとする代わりに、彼らは、思考を行うソフトウェアと、実務を行う専用ハードウェアとのバランスを慎重に考慮しながら、ゼロから軽量なシステムを設計しました。彼らは、FPGAと呼ばれるチップ上にカスタムアクセラレータを構築しました。FPGAは、特定のタスクを驚異的な速度と低消費電力で実行するようにプログラムできるため、エンジニアリングにおいてよく使用される再構成可能なコンピュータチップです。研究者たちは、単に標準的なセキュリティプログラムを縮小したわけではありません。彼らは、ハードウェアの強みに合わせて人工知能モデルを形成し、同時にモデルのニーズに合わせてハードウェアを調整するという、システム全体の共同設計（co-design）を行ったのです。

彼らの解決策の核となるのは、2種類のニューラルネットワーク（人間の脳をモデルにしたコンピュータシステム）を組み合わせたハイブリッド・アーキテクチャです。一方の部分はデータの流れにおける短期的なパターンを監視し、もう一方はそのメッセージが安全か悪意があるかの最終決定を下します。この設計は、他のタイプのAIを遅延させる重い逐次処理ステップを回避し、システムが遅延なく車のネットワーク内を流れるトラフィックを分析することを可能にします。チップの限られたメモリ内でこれを実現するために、研究者たちは「ヘテロジニアス・固定小数点量子化」と呼ばれる手法を用いました。簡単に言えば、これはコンピュータが計算に使用する数値の精度を、部分ごとに調整することを意味します。意思決定の最も重要な部分には高い精度を維持して正確性を確保し、一方で重要度の低いステップにはより単純で低精度の数値を使用することで、スペースとエネルギーを節約しました。このアプローチにより、脅威を見抜く能力を損なうことなく、システムの「脳」をコンパクトに保つことができました。

研究者たちが、通常の走行データと、サービス拒否（DoS）攻撃によるフラッド攻撃やなりすまし試行などのシミュレートされた攻撃を含む、よく知られた車両ネットワーク・トラフィックのデータセットを用いてこのシステムをテストしたところ、驚くべき結果が得られました。このシステムは、99.28パーセントの精度でトラフィックの種類を正しく識別しました。これは、安全な車とハッキングされた車を区別する際に、ほとんど間違いを犯さないことを意味します。さらに重要なことに、これは極めて高速かつ効率的に行われました。システムは新しいデータセットを分析して決定を下すのにわずか0.138ミリ秒しかかからず、これは人間から見ればほぼ瞬時に起こる時間枠です。また、消費電力も非常に低く、稼働中にわずか1.793ワットしか消費しませんでした。これは、車のバッテリーを消耗させることなく、セキュリティモニターを継続的に動作させることが可能なレベルのエネルギー効率です。

研究者たちは、同様のハードウェア上で試みられた他の手法と比較を行いました。既存のソリューションの多くは、数値を不安定にする極端な簡略化に頼っているか、あるいはリアルタイムの安全性には遅すぎる複雑な逐次設計を使用しています。また、他の車種へ容易に移行できない特定のプロプライエタリなハードウェアに依存しているものもあります。この新しい設計は、これらの中間地点を見出すことで、こうした落とし穴を回避しています。最も複雑なモデルとほぼ同等の検出精度を実現しながら、大幅に高速かつ低消費電力で動作します。チームは、精度、速度、および電力使用量を組み合わせた特定の効率スコアを測定しましたが、彼らのシステムは他の主要なアプローチよりも2倍以上高いスコアを記録しました。これは、スマートであることと効率的であることの間のトレードオフが、ゼロサムゲームではないことを示唆しています。つまり、ソフトウェアとハードウェアを共に設計することで、その両方を手に入れることが可能なのです。

このシステムは、汎用的なコンピュータコアと、この種の加速に必要な専用ロジックを組み合わせたプロセッサであるXilinx Zynq-7020チップ上で構築・テストされました。研究者たちは、ソフトウェア設計をハードウェアチップが実行すべき特定の命令へと自動的に翻訳する手法である、高位合成ワークフローを使用しました。これにより、彼らは完全にパイプライン化されたデータフローを作成することができました。これは、マシンが稼働している毎瞬、新しいアイテムが処理される組立ラインのように、システムがデータを連続的なストリームとして処理する仕組みです。この設計により、車のセキュリティシステムは、次の計算を開始する前に前の計算が終わるのを待つ必要がなくなり、安全性が極めて重要なアプリケーションに不可欠な、安定した予測可能なレスポンスを提供できます。

結果は有望ですが、研究者たちは、自分たちの仕事がより大きな目標への一歩であることを認めています。テストは記録されたトラフィックの特定のデータセットを使用して行われましたが、これは制御された環境を提供するものであり、現実世界の攻撃のあらゆるバリエーションや、混雑した道路の混沌とした状況をすべて捉えることはできない可能性があります。彼らはまた、総消費電力の大部分がチップの汎用プロセッサ部分から来ていることも指摘しており、さらなる改良によってシステムをよりエネルギー効率の高いものにできる可能性を示唆しています。こうした限界はあるものの、本研究は、高度な人工知能を車両の電子制御ユニットに直接組み込むことが可能であることを証明しています。これは、クラウドへの遅い接続やかさばる外部コンピュータに頼ることなく、車両がリアルタイムでサイバー攻撃に対して自衛できる未来への扉を開くものです。この研究は、入念なエンジニアリングがあれば、組み込みハードウェアの制約が高度なセキュリティへの障壁にはならないことを証明しています。