De Chinese onderzoeker Jun Li van het beveiligingsbedrijf Qihoo360 heeft op de Hack in the Box-beveiligingsconferentie een systeem gepresenteerd, waarbij auto's beveiligd moeten worden tegen internetaanvallen. Dit systeem werkt aan de hand van machine learning.
Het systeem heeft de naam 'CANsee', vernoemd naar het interne netwerk van bijvoorbeeld auto's dat ook wel 'Controller Area Network' of CAN wordt genoemd. Li geeft aan van jongs af aan geïnteresseerd te zijn in auto's en daarom de beveiliging ervan is gaan onderzoeken. Voor dit onderzoek was Li betrokken bij het hacken van een Tesla-model. Om de noodzaak van zijn onderzoek te onderstrepen, refereert de onderzoeker aan de hack op een Jeep Cherokee uit 2015, waarbij via internet de remmen en de motor konden worden uitgeschakeld.
De systemen van moderne auto's maken gebruik van een ecu, die gegevens van verschillende sensoren uit de auto verwerkt en zorgt voor een optimale prestatie van de motor. Deze apparaten zijn over het algemeen versleuteld. De gegevens die vanuit de sensoren worden uitgelezen kunnen door een aanvaller echter vervalst worden door packet injection of parameter spoofing. Deze aanvallers hebben volgens Li over het algemeen toegang tot een auto door de verbindingsmogelijkheden van een on-board infotainmentsysteem te gebruiken, bijvoorbeeld door bluetooth of wifi. Hierdoor hebben zij toegang tot het CAN van de auto.
De aanval op de Jeep werkte bijvoorbeeld door de snelheid van de auto te vervalsen naar 5km/u, om gebruik te kunnen maken van de functie om de motor uit te zetten. Li legt uit dat een beveiligingssysteem tegen dit soort aanvallen tegen een paar moeilijkheden aanloopt. Zo moet het in real time werken en moet het vervalste gegevens naar de bron terugvolgen. Dit laatste is moeilijk, omdat pakketten binnen een CAN geen broninformatie bevatten, maar slechts een message id. Tot slot moet het systeem in staat zijn om op een normale manier om te gaan met een false positive, zodat een loos alarm geen verstrekkende gevolgen heeft voor de besturing van de auto.
Li stelt een IDS, oftewel een intrusion detection system, voor dat een voorspelling maakt hoe de auto zich in bepaalde omstandigheden dient te gedragen. Op basis van die voorspellingen moet abnormaal verkeer op het netwerk van de auto door het systeem gedetecteerd worden, dat daarna kan ingrijpen. Het moeilijke is dat er niet zomaar een wiskundig model opgesteld kan worden om deze voorspelling uit te voeren, omdat de koppeling en de versnellingen van de auto ervoor zorgen dat dit niet lineair is, aldus Li.
Zijn oplossing is dan ook om machine learning toe te passen om deze voorspellingen uit te voeren. Tijdens de presentatie demonstreerde Li aan de hand van een video hoe hij een testauto heeft voorzien van zijn systeem en hoe hij het heeft 'getraind' door een aantal testritten uit te voeren. Uiteindelijk bleek dat de neurale netwerken redelijk snel een nauwkeurige voorspelling op basis van sensorgegevens uit het CAN konden maken, die overeenkwamen met het daadwerkelijke gedrag van de auto. Op die manier kunnen afwijkingen in gedrag snel opgevangen worden. Li is van plan de code van zijn onderzoek binnenkort publiek beschikbaar te maken.