據(jù)外媒報道，美國陸軍研究人員研發(fā)了一種基于機器學(xué)習(xí)的新型框架，以改進汽車車載計算機網(wǎng)絡(luò)的安全性，同時還不影響到其性能。
隨著將控制權(quán)委托給車載計算機的現(xiàn)代汽車在不斷普及，美國陸軍的該項研究希望能夠加大投入，對空中以及陸地平臺，特別是重型車輛提供更高水平的網(wǎng)絡(luò)安全保護措施。
美國陸軍作戰(zhàn)能力發(fā)展司令部（the U.S. Army Combat Capabilities Development Command，DEVCOM）的研究人員與佛吉尼亞理工大學(xué)（Virginia Tech）、昆士蘭大學(xué)（the University of Queensland）以及光州技術(shù)學(xué)院（Gwangju Institute of Science and Technology）的專家們合作，設(shè)計了一種稱為DESOLATOR的技術(shù)，以優(yōu)化稱為移動目標(biāo)防御的網(wǎng)絡(luò)安全策略。
美國陸軍數(shù)學(xué)家Terrence Moore博士表示：“因為很難擊中移動的目標(biāo)，如果所有物體都是靜態(tài)的，對手就可以從容地觀察一切并選擇目標(biāo)。但是，如果快速改變IP地址，分配給IP地址的信息很快就會丟失，對手就得重新尋找?！?BR> DESOLATOR指代的是基于深度強化學(xué)習(xí)的資源分配以及移動目標(biāo)防御部署框架（deep reinforcement learning-based resource allocation and moving target defense deployment framework），能夠幫助車載網(wǎng)絡(luò)識別最佳IP變換頻率以及帶寬分配，長期且有效地進行移動目標(biāo)防御。
據(jù)美國陸軍計算機科學(xué)家和項目負(fù)責(zé)人Frederica Free-Nelson博士表示，基于深度強化學(xué)習(xí)的資源分配能夠保持高不確定性，以挫敗潛在的攻擊者，同時還不會使維護成本變高，而移動目標(biāo)防御部署能夠以高優(yōu)先級防止關(guān)鍵網(wǎng)絡(luò)區(qū)域減速運行。
該研究團隊利用深度強化學(xué)習(xí)，根據(jù)曝光時間、丟包數(shù)量等多種獎勵功能，逐步塑造算法的行為，以確保DESOLATOR能夠兼顧安全性和效率。
Moore表示：“現(xiàn)有的車載網(wǎng)絡(luò)效率很高，但是在設(shè)計時沒有真正考慮到安全性?，F(xiàn)在，很多研究都只著眼于提高性能或者安全性，同時兼顧性能和安全性的非常少見，特別是車載網(wǎng)絡(luò)。”
此外，DESOLATOR并不局限于確定最佳的IP變換頻率以及帶寬分配。由于該方法是一種機器學(xué)習(xí)框架，其他研究人員都可以修改該技術(shù)，以在一定范圍內(nèi)追求不同的目標(biāo)。
Nelson表示：“能夠重新裝備技術(shù)的能力非常有價值，而且此種價值不僅對于擴展研究而言，還適用于將此種能力與其他網(wǎng)絡(luò)能力結(jié)合，以獲得最佳網(wǎng)絡(luò)安全保護。”
（轉(zhuǎn)載）
