629 Andere Fachrichtungen der Ingenieurwissenschaften
Refine
Document Type
Year of publication
- 2017 (4) (remove)
Institute
Language
- German (4)
Has Fulltext
- yes (4)
Is part of the Bibliography
- yes (4)
Entwicklung eines autarken Intrusion Detection Systems (IDS) mit fahrzeugbasierten Crowd-Ansatz
(2017)
Aktuelle Fahrzeugnetzwerke (CAN, MOST, LIN, FlexRay, Ethernet, etc.) bildeten bisher ein durch die Fahrzeugabmessungen begrenztes eigenständiges Ökosystem. Mit der zunehmenden Vernetzung von Fahrzeugen ändert sich dies seit geraumer Zeit. Fahrzeuge werden immer mehr zu digitalen Kommunikationsobjekten, die ihre Daten mit Backendsystemen oder anderen Fahrzeugen austauschen.
Viele Unternehmen in der Automobilindustrie sehen sich zunehmend Gefahren ausgesetzt, die bisher aus der Welt der globalen IP Vernetzung bekannt waren, der Gefahr von Hackerangriffen. Die zunehmende Vernetzung von Fahrzeugen durch
• Einführung mobiler Online Dienste
• Einführung von kostenpflichtigen Funktionalitäten und Services
• Gesetzmäßig vorgeschriebene Einführung des emergency calls (eCall)
• Vorbereitung der Schnittstellen in Richtung des autonomen Fahrens
führt dazu, dass die Fahrzeuge in immer stärkerem Maße mit ihrer Umgebung kommunizieren. Diese neu geschaffenen Schnittstellen können im Falle vorhandener Schwachstellen von Angreifern ausgenutzt werden, so dass Fahrzeugfunktionen im Sinne des Angreifers manipuliert werden können.
Während HTTP bzw. HTTPS Verbindungen über die Luftschnittstelle relativ gut über etablierte Verfahren abgesichert werden können, findet man im Netzwerkverkehr im Fahrzeug, historisch bedingt, kaum derartige Sicherheitskonzepte. Diese Schachstellen wurden von OEMs und Tier1s bereits identifiziert, deshalb versucht man aktuell auch innerhalb des bestehenden Fahrzeugnetzwerkes Verschlüsselungstechnologien einzusetzen. Diese setzen sich allerdings noch zögerlich durch und führen ohnehin nur dazu, dass sich das Problem von Cyberangriffen auf eine höhere Komplexitätsstufe verschiebt, das grundsätzliche Problem bleibt nach wie vor bestehen.
Daten liegen in modernen Fahrzeugen in einer großen Menge vor. Die Daten, welche die Sensoren des Fahrzeuges erzeugen, werden über Bus-Systeme zentral zur Verfügung gestellt und für die jeweiligen Anwendungen von den Steuergeräten ausgewertet. Nach diesem Einsatz werden die Sensordaten verworfen. Eine Herausforderung an die Verwendung jener Daten sind die Historisierung und systematische Auswertung dieser. Dafür werden Data-Mining-Methoden angewandt, welche die internen sowie die externen Daten (Car2X-Kommunikation) in Echtzeit auswerten und mit dem digitalem Gedächtnis abgleichen. Ziel dessen ist die Erkennung von Mustern, zur Identifikation von Situationen (z.B. Verkehrsunfall) und Fahrzuständen (z.B. Autobahnfahrt). Als Ergebnisse sollen der Komfort der Insassen und die Sicherheit des Straßenverkehrs verbessert werden. Potentiell bedrohliche Situationen sollen dabei vor dem Eintreffen erkannt werden, um Fahrer und Fahrzeug entsprechend zu konditionieren.
Das Vorhaben zielt konkret auf ein Echtzeit-Data-Mining von Fahrzeugdaten ab. Dabei wird Stream-Machine-Learning als möglicher Lösungsansatz verwendet, da große Datenmengen vorhanden sind und diese in Echtzeit ausgewertet werden müssen, um potentiell bedrohliche Situationen frühzeitig zu erkennen. Der klassische Batch-Learning-Ansatz ist dazu nicht geeignet, da jener alle Daten mit einmal verarbeiten will. Stream-Machine-Learning kombiniert das Konzept von Datenströmen mit dem Online-Lernen. Dadurch verwendet der Ansatz nur die im Stream empfangenden Daten und zudem lernt er während des Betriebs weiter. Nach jeder verarbeiteten Instanz ist es dem Algorithmus möglich ein Modell auszugeben bzw. das vorhandene Modell wird weiter trainiert. Ein selbstständiges Lernen wird ermöglicht.
Für die Umsetzung ist eine Toolchain erstellt worden, die das Vorhaben mit vom Fahrzeug erzeugten und über die OBD2-Schnittstelle bereitgestellten Datensätzen simuliert darstellt. Dabei ist besonderes Augenmerk auf die Komptabilität zu in Fahrzeugen genutzten Betriebssysteme (Linux, Autosar [WaPa12]) gelegt, damit eine Migration gewährleistet wird.
Die Digitalisierung hält Einzug in allen Bereichen des täglichen Lebens. Auch im Automotive-Sektor entwickeln sich die Systeme weiter und unterstützen zunehmend den Fahrer, steuern selbstständig das Fahrzeug oder erhöhen den Komfort.
Diese Veränderungen in der Art der Nutzung des Automobils öffnen auch neue Wege für Manipulationen und Angriffe, sodass selbst bisher bewährte sowie als sicher geltende Funktionen neuen Risiken unterliegen.
Aufgabe der Automobilindustrie muss es in diesem Zusammenhang sein, die Risiken und Herausforderungen im Themengebiet Security zu erkennen und bereits im Rahmen der Entwicklung präventiv anzugehen.
Die Entwicklungsabteilungen der Automobilbranche müssen sich heutzutage großen Herausforderungen stellen. In Zeiten von enormen Kosten- und Zeitdruck gilt es Gesamtsysteme, Baugruppen oder Einzelkomponenten wie z. B. Airbags, Rückfahrkameras, Türschloss- oder Sitzsysteme möglichst ressourcenschonend und effizient zu entwickeln bzw. zu optimieren. Hinzu kommen Faktoren wie Leistungsfähigkeit, Energieeffizienz, Qualität, Zuverlässigkeit und positive Umwelteigenschaften, die über den Erfolg eines Produkts entscheiden. Damit Ingenieure diesen Anforderungen gerecht werden können, müssen leistungsstarke Ressourcen und Infrastruktur bereitstehen, die auf einer agilen IT-Struktur basieren.