A Hybrid AI-DEMATEL Model for Causal Analysis of Blockchain-Enabled Secure Communication and Privacy Risks in Access Control of Connected Autonomous Vehicles

Stel je een toekomst voor waarin je auto zichzelf bestuurt, het verkeer navigeert, ongelukken vermijdt en communiceert met andere voertuigen en de stedelijke infrastructuur zonder een menselijke hand aan het stuur. Deze machines, bekend als verbonden autonome voertuigen, vertrouwen op een constante, hoogwaardige stroom gegevens om beslissingen in een fractie van een seconde te nemen. Om dit systeem veilig te houden, moeten de gegevens worden beschermd tegen hackers, maar ze moeten ook vrij gedeeld kunnen worden om ervoor te zorgen dat de auto weet waar hij naartoe gaat. Dit creëert een delicaat evenwicht: hoe vergrendel je een systeem om het veilig te houden zonder de informatie uit te sluiten die de auto nodig heeft om te functioneren?

Jarenlang keken experts naar een technologie genaamd blockchain om dit probleem op te lossen. Denk aan blockchain als een gedeeld digitaal grootboek dat elke transactie of elk bericht vastlegt op een manier die bijna onmogelijk te wijzigen of te vervalsen is. Door dit systeem te gebruiken, hopen autofabrikanten en overheden een veilig netwerk te creëren waarin auto's elkaars identiteit kunnen verifiëren en kritieke veiligheidsgegevens kunnen delen zonder een centrale autoriteit die de informatiestroom controleert. Het simpelweg aansluiten van deze technologie bij een auto introduceert echter een nieuwe reeks complexe problemen. De zeer kenmerkende eigenschappen die blockchain veilig maken, kunnen het ook traag en duur in gebruik maken, en moeilijk te beheren wanneer miljoenen auto's tegelijkertijd met elkaar proberen te communiceren.

Een team onderzoekers uit India heeft een diepe duik genomen in deze specifieke uitdagingen. Ze probeerden de verborgen verbanden te begrijpen tussen de verschillende risico's die gepaard gaan met het gebruik van blockchain voor autoveiligheid. In plaats van deze kwesties geïsoleerd te bekijken, behandelden ze ze als een web van onderling afhankelijke factoren. Ze wilden weten welke problemen de grondoorzaken zijn die andere problemen triggeren, en welke slechts symptomen zijn die verschijnen wanneer het systeem onder druk staat. Hiervoor verzamelden ze inzichten van een panel van experts, waaronder cybersecurity-engineers, universiteitsonderzoekers en datawetenschappers, en gebruikten ze een geavanceerde analytische methode om in kaart te brengen hoe deze tien cruciale factoren elkaar beïnvloeden.

De onderzoekers identificeerden tien kerngebieden die het succes of falen van deze technologie bepalen. Deze variëren van "beleidsconflicten", waarbij verschillende instanties zoals de politie, autofabrikanten en eigenaren mogelijk tegenstrijdige regels opleggen, tot "latentie", wat de minuscule vertraging is die optreedt wanneer het systeem een bericht verifieert. Andere factoren zijn de enorme hoeveelheid gegevens die het netwerk moet verwerken, de beperkte rekenkracht binnen de auto zelf, en de moeilijkheid om beveiligingsregels bij te werken terwijl de auto in beweging is. Het team onderzocht ook de spanning tussen het privé houden van de locatie van een bestuurder en de noodzaak om diens identiteit te verifiëren voor de veiligheid, evenals het risico op fouten in de computercode die deze regels beheert.

Door te analyseren hoe deze factoren interageren, onthulde de studie een duidelijke hiërarchie van oorzaak en gevolg. De meest cruciale bevinding was dat "Interoperabiliteit" de sterkste causale factor is, wat betekent dat het de grondoorzaak is die de meeste downstream-problemen in het systeem triggert. Dit verwijst naar de technische inconsistenties tussen verschillende blockchain-platforms en autofabrikanten die ten grondslag liggen aan veel downstream-kwetsbaarheden. De studie benadrukte echter ook dat "Beleidsconflicten" de meest prominente en structureel complexe factor vertegenwoordigen. Dit verwijst naar situaties waarin juridische en jurisdictionele onenigheid tussen belanghebbenden — zoals overheden, fabrikanten en voertuigeigenaren — de realtime operaties en besluitvorming direct bemoeilijken, wat het de hoogste algehele belangrijkheidswaarde in het systeem geeft.

Vervolgens wees de studie op "vertrouwen en reputatie" als een andere fundamentele drijfveer. In dit digitale ecosysteem hangt het vermogen van een auto om deel te nemen af van een score die de eerdere gedragingen reflecteert. Als een auto een geschiedenis heeft van het verzenden van valse gegevens, wordt deze beperkt. De onderzoekers ontdekten dat als dit vertrouwenssysteem niet robuust is, het hele netwerk onbetrouwbaar wordt. Op dezelfde manier fungeren de fysieke beperkingen van de onboard computer van de auto, bekend als "resource constraints", als een primaire oorzaak voor vertragingen. Omdat deze computers beperkte kracht hebben, worstelen ze met het verwerken van de zware beveiligingscontroles die blockchain vereist, wat op zijn beurt de reactiesnelheid van de auto bij noodsituaties vertraagt.

De studie belichtte ook dat "dynamische beleidsupdates" — het vermogen om beveiligingsregels direct tijdens een noodsituatie aan te passen — het meest gevoelige deel van het systeem zijn. Deze updates zijn niet de oorzaak van de problemen, maar het resultaat ervan. Als de grondoorzaken zoals interoperabiliteit en middelenbeperkingen niet worden opgelost, kan het systeem zijn regels niet snel genoeg bijwerken om een crisis te beheersen. Als een auto bijvoorbeeld zijn locatie met hulpdiensten moet delen tijdens een ongeval, maar het netwerk is verstopt of de regels zijn tegenstrijdig, dan kan die cruciale informatie mogelijk niet op tijd doorkomen.

Misschien wel het meest significante inzicht uit het onderzoek is dat het direct aanpakken van de symptomen vaak ineffectief is. De studie suggereert dat het uitsluitend focussen op het verminderen van vertragingen of het verbeteren van privacy zonder de onderliggende oorzaken aan te pakken, niet zal werken. In plaats daarvan moeten fabrikanten en beleidsmakers prioriteit geven aan het oplossen van de fundamentele problemen: ervoor zorgen dat verschillende autosystemen naadloos met elkaar kunnen communiceren, garanderen dat de onboard computers krachtig genoeg zijn om de belasting aan te kunnen, en duidelijke, verenigde regels opstellen voor hoe gegevens worden gedeeld. Door deze fundamentele problemen op te lossen, beginnen de andere kwesties, zoals trage reactietijden en privacyzorgen, vanzelf op te lossen.

De onderzoekers valideerden hun bevindingen door kunstmatige intelligentie-instrumenten te gebruiken om hun berekeningen te controleren, om er zeker van te zijn dat de resultaten niet slechts een product waren van menselijke opinie, maar wiskundig consistent waren. Hun werk biedt een routekaart voor de toekomst en suggereert dat de weg naar veilige, beveiligde zelfrijdende auto's niet ligt in het bouwen van sterkere sloten, maar in het bouwen van een compatibeler en efficiënter netwerk. Terwijl de industrie beweegt naar een toekomst waarin miljoenen autonome voertuigen de weg delen, zal het begrijpen van deze causale verbanden essentieel zijn voor het ontwerpen van een systeem dat zowel veilig is als in staat is ons veilig te houden.