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

Moderne auto's zijn niet langer alleen maar machines met motoren en wielen; het zijn rollende netwerken van tientallen kleine computers, bekend als elektronische besturingseenheden, die constant met elkaar communiceren om alles te beheren, van remmen tot sturen. Deze computers communiceren over een gedeelde snelweg genaamd de Controller Area Network, of CAN-bus. Decennialang heeft dit systeem betrouwbaar gewerkt omdat het is ontworpen voor snelheid en eenvoud, niet voor beveiliging. Het mist de digitale sloten en identiteitscontroles die bij moderne internetverbindingen horen, wat betekent dat als een hacker zich kan aansluiten op de diagnosepoort van de auto of de bedrading kan bereiken, ze valse berichten kunnen sturen die precies lijken op legitieme berichten. Deze kwetsbaarheid stelt aanvallers in staat om het netwerk te overspoelen met ruis, de systemen van de auto in verwarring te brengen of zelfs de controle over kritieke functies over te nemen. Om deze dreigingen te stoppen, richten ingenieurs zich op kunstmatige intelligentie, specifiek op systemen die kunnen leren om de subtiele patronen van een cyberaanval in realtime te herkennen. Deze slimme systemen vereisen echter krachtige computers die te veel energie verbruiken en te lang nodig hebben om gegevens te verwerken om in het beperkte elektronische brein van een auto te passen.

Een team onderzoekers van de Sfax Universiteit in Tunesië heeft dit probleem aangepakt door een nieuw soort beveiligingssysteem te creëren dat zowel slim genoeg is om aanvallen te detecteren als klein genoeg om op de bestaande hardware van een auto te draaien. In plaats van te proberen een massaal, complex computerprogramma in een minuscule ruimte te dwingen, hebben ze een lichtgewicht systeem vanaf de grond af aan ontworpen, waarbij ze de software die het denken doet zorgvuldig hebben afgestemd op de gespecialiseerde hardware die het werk doet. Ze bouwden een aangepaste versneller op een chip gena de FPGA, een herconfigureerbare computerchip die vaak in de techniek wordt gebruikt omdat deze geprogrammeerd kan worden om specifieke taken met enorme snelheid en een laag stroomverbruik uit te voeren. De onderzoekers hebben niet simpelweg een standaard beveiligingsprogramma genomen en verkleind; ze hebben het hele systeem co-ontworpen, waarbij ze het kunstmatige intelligentiemodel hebben gevormd naar de sterktes van de hardware, terwijl ze de hardware hebben afgestemd op de behoeften van het model.

De kern van hun oplossing is een hybride architectuur die twee soorten neurale netwerken combineert, oftewel computersystemen die gebaseerd zijn op het menselijk brein. Eén deel kijkt naar kortetermijnpatronen in de datastroom, terwijl het andere deel de uiteindelijke beslissing neemt of een bericht veilig of kwaadaardig is. Dit ontwerp vermijdt de zware, sequentiële verwerkingsstappen die andere soorten AI vertragen, waardoor het systeem het verkeer kan analyseren terwijl het door het netwerk van de auto stroomt zonder vertraging. Om dit werkbaar te maken op een chip met beperkt geheugen, gebruikten de onderzoekers een techniek genaamd heterogene fixed-point kwantisatie. In eenvoudige taal betekent dit dat ze de precisie van de getallen die de computer gebruikt voor verschillende delen van de berekening hebben aangepast. Ze behielden een hoge precisie voor de meest kritieke delen van het besluitvormingsproces om nauwkeurigheid te garanderen, terwijl ze eenvoudigere, minder precieze getallen gebruikten voor de minder kritieke stappen om ruimte en energie te besparen. Deze aanpak stelde hen in staat om het brein van het systeem compact te houden zonder het vermogen te verliezen om subtiele dreigingen op te sporen.

Toen de onderzoekers hun systeem testten met een bekende dataset van voertuignetwerkverkeer, die normaal rijgedrag inclusief gesimuleerde aanvallen zoals denial-of-service-overstromingen en impersonatiepogingen bevatte, waren de resultaten opmerkelijk. Het systeem identificeerde het type verkeer correct met een nauwkeurigheid van 99,28 procent, wat betekent dat het zelden fouten maakte bij het onderscheiden van een veilige auto en een gehackte auto. Belangrijker nog, het deed dit met extreme snelheid en efficiëntie. Het systeem kon een nieuwe set gegevens analyseren en een beslissing nemen in slechts 0,138 milliseconden, een tijdsbestek dat zo kort is dat het bijna onmiddellijk gebeurt vanuit een menselijk perspectief. Het verbruikte ook zeer weinig stroom, waarbij het slechts 1,793 watt verbruikte tijdens het draaien, een niveau van energie-efficiëntie dat het voor een auto mogelijk maakt om deze beveiligingsmonitor continu te laten draaien zonder de accu leeg te trekken.

De onderzoekers vergeleken hun aanpak met andere methoden die op vergelijkbare hardware zijn geprobeerd. Veel bestaande oplossingen vertrouwen ofwel op extreme vereenvoudigingen die de getallen instabiel maken, of gebruiken complexe, sequentiële ontwerpen die te traag zijn voor real-time veiligheid. Anderen zijn afhankelijk van specifieke, propriëtaire hardware die niet gemakkelijk naar verschillende automodellen kan worden verplaatst. Het nieuwe ontwerp vermijdt deze valkuilen door een middenweg te vinden. Het bereikt bijna dezelfde detectienauwkeurigheid als de meest complexe modellen, maar draait aanzienlijk sneller en verbruikt minder stroom. Het team mat een specifieke efficiëntiescore die nauwkeurigheid, snelheid en stroomverbruik combineerde, en hun systeem scoorde meer dan twee keer zo hoog als andere leidende benaderingen. Dit suggereert dat de afweging tussen slim zijn en efficiënt zijn geen zero-sum game is; door de software en hardware samen te ontwerpen, is het mogelijk om beide te hebben.

Het systeem werd gebouwd en getest op een Xilinx Zynq-7020 chip, een type processor dat een algemene computerkern combineert met de gespecialiseerde logica die nodig is voor dit soort versnelling. De onderzoekers gebruikten een high-level synthesis workflow, een methode die de softwareontwerp automatisch vertaalt naar de specifieke instructies die de hardwarechip moet uitvoeren. Hierdoor konden ze een volledig gepipelde datastroom creëren, waarbij het systeem gegevens verwerkt in een continue stroom, vergelijkbaar met een lopende band waarbij elk nieuw item wordt verwerkt op het moment dat de machine draait. Dit ontwerp zorgt ervoor dat de beveiliging van de auto nooit hoeft te wachten tot de vorige berekening is voltooid voordat de volgende kan beginnen, wat een constante, voorspelbare respons biedt die essentieel is voor veiligheidskritische toepassingen.

Hoewel de resultaten veelbelovend zijn, erkennen de onderzoekers dat hun werk een stap is naar een groter doel. De tests werden uitgevoerd met een specifieke dataset van opgenomen verkeer, wat een gecontroleerde omgeving biedt, maar mogelijk niet elke mogelijke variatie van een echte aanval of de chaotische omstandigheden van een drukke weg vastlegt. Ze merkten ook op dat een aanzienlijk deel van het totale stroomverbruik afkomst even van het algemene processorgedeelte van de chip kwam, wat suggereert dat verdere verfijningen het systeem nog energie-efficiënter kunnen maken. Ondanks deze beperkingen laat de studie zien dat het mogelijk is om geavanceerde kunstmatige intelligentie direct in de elektronische besturingseenheden van een voertuig in te bedden. Dit opent de deur naar auto's die zichzelf in realtime kunnen verdedigen tegen cyberaanvallen, waardoor de veiligheid van het voertuig en de passagiers wordt beschermd zonder afhankelijk te zijn van trage verbindingen met de cloud of omvangrijke externe computers. Het werk bewijst dat met zorgvuldige engineering de beperkingen van ingebedde hardware geen barrière hoeven te zijn voor geavanceerde beveiliging.