Skip to content
  • MAGAZIN
  • BLOGTÉR
  • PODCAST
  • TV
  • WEBSHOP
  • FOLYÓIRATOK
  • KIADÓ
  • KERESÉS
Menü
  • MAGAZIN
  • BLOGTÉR
  • PODCAST
  • TV
  • WEBSHOP
  • FOLYÓIRATOK
  • KIADÓ
  • KERESÉS
  • MAGAZIN
  • BLOGTÉR
  • PODCAST
  • TV
  • WEBSHOP
  • FOLYÓIRATOK
  • KIADÓ
  • KERESÉS
Menü
  • MAGAZIN
  • BLOGTÉR
  • PODCAST
  • TV
  • WEBSHOP
  • FOLYÓIRATOK
  • KIADÓ
  • KERESÉS
Hárs András

Szabályozás hálójában: mesterséges intelligencia és emberi jogok

Ki hol tart a szabályozásban?

Hárs András 2022.11.30.
Kiss Adrienn

A kockázatelemzés rejtett számai

Mennyire kritikus egy adott infrastruktúra?

Kiss Adrienn 2022.11.15.
Pató Viktória Lilla

Új javaslatok születtek a digitális piac felelősségi szabályainak korszerűsítésére

Körforgásos MI-felelősség.

Pató Viktória Lilla 2022.10.03.
Németh-Szebeni Zsófia

A mesterséges intelligencia fejlesztésének helyzete és trendjei a világban

A mesterséges intelligencia megkezdte felülmúlni az embert.

Németh-Szebeni Zsófia 2022.07.28.
Ludovika.hu

Úttörő szerepben a NAIH a bizalomra épülő mesterséges intelligencia alkalmazások kiépítésében?

A bírság, és az ügy más jelentőségei.

Ludovika.hu 2022.07.15.
CYBERBLOG
Ináncsi Mátyás
Ináncsi Mátyás
kutató, NKE EJKK Kiberbiztonsági Kutatóintézet
  • 2022.06.29.
  • 2022.06.29.

Autonóm járművek kiberbiztonsági kihívásai (3. rész)

Szerző: Katona Gergő, NKE EJKK Kiberbiztonsági Kutatóintézet

Jelen részben az autonóm közúti járművek érzékelőihez kapcsolódó kihívásokat elemezzük. Ezek az érzékelők felelősek, hogy a jármű pontosan meg tudja határozni a helyzetét és a környezetének tulajdonságait. 

A bejegyzés első részét itt, a második részét itt találja.

Az autonóm közúti járművek számos érzékelőre támaszkodnak a környezet valós idejű helymeghatározásához és érzékeléséhez. A lézeralapú távérzékelés (Light Detection and Ranging továbbiakban LiDAR), a kamera, a radar és a globális navigációs műholdrendszer (Global Navigation Satellite System, továbbiakban GNSS) a különböző autonóm vezetési rendszerek által használt fő érzékelők. Ezeket az érzékelőket a járművek redundánsan használják fel a lehető legpontosabb kép kialakításához, hiszen egy kamerarendszer ködös időben elég kis hatótávon érzékeli a környezetét. Az ezekből az érzékelőkből gyűjtött adatokat a rendszer többnyire gépi tanulási technológia segítségével alakítja át és dolgozza fel.

Ezek az érzékelők a távolságnak megfelelően különböző funkciókkal rendelkeznek: 

  • Kis hatótáv (5 méterig): Az ultrahangos érzékelők olyan távolságérzékelők, amelyeket a járműtől néhány méteren belüli objektumok érzékelésére terveztek. Főleg alacsony sebességű eseményekhez, például parkolás.
  • Kis hatótávolságú érzékelés (30 méterig): a frontkamerákat sávelhagyásra való figyelmeztetésre és a közlekedési táblák érzékelésére, míg a hátulsó kamerákat a parkolás elősegítésére használják. 
  • Közepes hatótávolság (160 méterig): LiDAR, valamint közép hatótávolságú radarérzékelőket (MRR) használnak ütközés elkerüléshez és a gyalogos felismeréséhez.
  • Nagy hatótávolságú érzékelés (160–250 méter): A nagy hatótávolságú radarokat (LRR) a nagy sebességű adaptív sebességtartó automatikához tervezték. 
Kihívások

Az autonóm vezérlésű érzékelők kiberbiztonsági kihívásai

  • Radarjelek meghamisítása: az elkövetők rádiófrekvenciás jeleket rögzítenek, és ezeket a jeleket újra továbbítják, hogy a torzított információt juttassák el az érzékelőkhöz. A hamis jelek továbbítása azonban nem egyszerű, mert például a kutatók megpróbáltak hamis adatokat eljuttatni egy Tesla Model S gépjármű radarérzékelőjébe. A kísérlet sikertelen volt, mert az érzékelőnek alacsony volt az üresjárati időhöz viszonyított munkaszünete, ami megnehezítette a jelek pontos időintervallumban történő küldését.
  • LiDAR hamisítás: az elkövetők nem valós jeleket állítanak elő, amelyek egy tárgyat ábrázolnak, és ezen hamis adatokat betáplálják a LiDAR-érzékelőbe. 
  • Kameravakítás: az önvezető közúti járművek szenzorai segítik a feldolgozó algoritmusokat a környezet feltérképezésében. Ezeket a kamerákat különböző tartományú fénykibocsájtásokkal vakítják el a támadók. Ennek a támadásának a hatását a redundancia növelésével lehet csökkenteni, ami azt jelenti, hogy több kameraszenzort, illetve egyéb távolságérzékelő szenzort kell implementálni.
  • Radarzavarás: ekkor az elkövetők a tárolt jelek frekvenciáját és amplitúdóját módosítják a fázis megváltoztatása helyett. A manipulált jelek hatására a radarérzékelők nem észlelik azt a tárgyat, ahol a zavaró eszköz található. 
  • Globális navigációs műholdrendszer jelhamisítása: az elkövető ebben az esetben valós GNSS-jeleket sugároz annak érdekében, hogy megtévessze az autonóm közúti járművek GNSS-vevőegységeit. Az elkövetők a műholdak valódi jeleinek megfelelő jelek sugárzásával kezdik. Ezt követően a sugárzott jel teljesítményét fokozatosan növelik, és ezen megnövelt jelek eltérnek a célpont valós helyzetének jelölésétől. A GNSS-vevőegységeket gyakran úgy konfigurálják, hogy a legerősebb jeleket sugárzó állomás jeleit használják fel, így mikor a hamisított jel erősebb lesz, mint a valós, azt használja fel a jármű. Ezen támadás azért tud veszélyes lenni, mert ha olyan helyzetmeghatározást küldenek az eszköznek, amelyet más érzékelő nem tud felülbírálni, akkor baleset is történhet. 
  • Globális navigációs műholdrendszer jelzavarása: esetén a támadás abból a tulajdonságból indul ki, hogy a műholdak sugárzott jelei gyengék, amelyeket egy erősebb jelszórással meg lehet zavarni. Ekkor azonban az érzékelő a zavarásra használt jelet nem fogadja, de a valós jelet sem képes érzékelni. Ezen támadás kevésbé veszélyes, mint a jelhamisítás, mivel ekkor nem kerül a támadó kezébe a jelküldés kontrollja, tehát nem tudja a jármű működésében keletkező zavart irányított módon kontrollálni. 

Források

Chen Yan, Wenyuan Xu, és Jianhao Liu, „Can you trust autonomous vehicles: Contactless attacks against sensors of self-driving vehicle”, Def Con 24, sz. 8 (2016): 109.
Nanda, Ashish, Deepak Puthal, Joel J. P. C. Rodrigues, és Sergei A. Kozlov. „Internet of Autonomous Vehicles Communications Security: Overview, Issues, and Directions”. IEEE Wireless Communications 26, sz. 4 (2019): 60–65.

Témakörök: Autonóm járművek, kiberbiztonság, mesterséges intelligencia
nke-cimer

LUDOVIKA.hu

KAPCSOLAT

1083 Budapest, Ludovika tér 2.
E-mail:
Kéziratokkal, könyv- és folyóirat-kiadással kapcsolatos ügyek: kiadvanyok@uni-nke.hu
Blogokkal és a magazinnal kapcsolatos ügyek: szerkesztoseg@uni-nke.hu

IMPRESSZUM

Ez a weboldal sütiket használ. Ha Ön ezzel egyetért, kérjük fogadja el az adatkezelési szabályzatunkat. Süti beállításokElfogad
Adatvédemi és süti beállítások

Adatvédelmi áttekintés

This website uses cookies to improve your experience while you navigate through the website. Out of these cookies, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may have an effect on your browsing experience.
Necessary
Always Enabled
Necessary cookies are absolutely essential for the website to function properly. This category only includes cookies that ensures basic functionalities and security features of the website. These cookies do not store any personal information.
Non-necessary
Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.
SAVE & ACCEPT