Untersuchungen zur Anomalieerkennung in automotive Steuergeräten durch verteilte Observer mit Fokus auf die Plausibilisierung von Kommunikationssignalen

Die zwei herausragenden automobilen Trends Konnektivität und hochautomatisiertes Fahren bieten viele Chancen, aber vor allem in ihrer Kombination auch Gefahren. Einerseits wird das Fahrzeug immer mehr mit seiner Außenwelt vernetzt, wodurch die Angriffsfläche für unautorisierten Zugriff deutlich steigt. Andererseits erhalten Steuergeräte die Kontrolle über sicherheitsrelevante Funktionen. Um das Risiko und die potentiellen Folgen eines erfolgreichen Angriffs möglichst gering zu halten, sollte eine Absicherung auf mehreren Ebenen erfolgen.
Der Fokus dieser Arbeit liegt auf der innersten Absicherungsebene und dabei speziell auf der Überwachung von Fahrezug-interner Kommunikation. ... mehrHierfür empfehlen Wissenschaft und Industrie unter anderem den Einsatz von Intrusion Detection/Intrusion Prevention Systemen. Das erarbeitete Konzept greift diesen Vorschlag auf und berücksichtigt bei der Detaillierung die Steuergeräte-spezifischen Randbedingungen, wie beispielsweise die vergleichsweise statische Fahrzeugvernetzung und die limitierten Ressourcen. Dadurch entsteht ein hybrider Ansatz, bestehend aus klassischen Überwachungsregeln und selbstlernenden Algorithmen. Dieser ist nicht nur für die Fahrzeug-interne Kommunikation geeignet, sondern gleichermaßen für den Steuergeräte-internen Informationsaustausch, die Interaktion zwischen Applikations- und Basissoftware sowie die Überwachung von Laufzeit- und Speichereigenschaften. Das übergeordnete Ziel ist eine ganzheitliche Steuergeräte-Überwachung und damit eine verbesserte Absicherung im Sinne der Security. Abweichungen vom Sollverhalten - sogenannte Anomalien - werden jedoch unabhängig von deren Ursache erkannt, sei es ein mutwilliger Angriff oder eine Fehlfunktion. Daher kann dieser Ansatz auch zur Verbesserung der Safety beitragen, speziell wenn Applikationen und Algorithmen abzusichern sind, die sich während des Lebenszyklus eines Fahrzeugs verändern oder weiterentwickeln.
Im zweiten Teil der Arbeit steht die Plausibilisierung von einzelnen Kommunikationssignalen im Vordergrund. Da deren möglicher Verlauf nicht formal beschrieben ist, kommen hierfür selbstlernende Verfahren zum Einsatz. Neben der Analyse und der Auswahl von grundsätzlich geeigneten Algorithmen ist die Leistungsbewertung eine zentrale Herausforderung. Die zu erkennenden Anomalien sind vielfältig und in der Regel sind nur Referenzdaten des Normalverhaltens in ausreichender Menge vorhanden. Aus diesem Grund werden unterschiedliche Anomalie-Typen definiert, welche die Anomaliesynthese in Normaldaten strukturieren und somit eine Evaluierung anhand der Erkennungsrate erlauben. Die Evaluierungsergebnisse zeigen, dass eine Signalplausibilisierung mittels künstlichen neuronalen Netzen (Autoencoder) vielversprechend ist. Zum Abschluss betrachtet die vorliegende Arbeit daher die Herausforderungen bei deren Realisierung auf automotive Steuergeräten und liefert entsprechende Kennzahlen für die benötigte Laufzeit und den Speicherverbrauch.

Connectivity and autonomous driving are two major automotive trends. They have the potential to increase safety and comfort but also yield new dangerous scenarios, especially in their combination. On the one hand, vehicles get increasingly connected with each other and external infrastructure, thus offering more attack surface for hackers. On the other hand, electronic control units (ECU) take over safety critical functions like longitudinal and lateral control of the vehicle. To ensure security, different mechanisms should be applied to form a multi-level defense.
The thesis at hand focusses the innermost defense barrier, especially the observation of in-vehicle communication, for which different researchers and associated industry recommend the use of intrusion detection and intrusion prevention systems. ... mehrThis suggestion is refined and the Automotive Observer concept is proposed considering automotive specifics like the relatively static system design as well as the limited resources on embedded devices. This results in a hybrid approach consisting of static rules followed by machine learning based algorithms. The concept is not only suited for the observation of in-vehicle communication but also takes ECU-internal communication, the interaction between application and basic software as well as runtime and memory consumption into account. The high-level goal is an improved reaction on cyber attacks. However, deviations from normal behavior are identified by means of anomaly detection and independent from the root cause, which might be a cyber attack or a functional misbehavior. Therefore, the proposed concept can also help to enhance functional safety, for example by safeguarding self-learning or updatable applications.
The second part of the thesis deals with the plausibility of single communication signals. While some of their properties are specified in a semi-formal manner, the possible temporal behavior is not given during development time. For this reason, self-learning mechanisms are applied. Besides the selection of a suited algorithm, the necessary performance evaluation is a major challenge. Potential anomalies are manifold and usually there is no anomalous reference data available. To overcome this situation, multiple anomaly types are defined, which allow for structured synthesization of anomaly instances and therefore enable an evaluation based on the true and false positive rate. The results show that signal plausibility checking via Autoencoders - a specific type of artificial neural networks - is promising. At the end, the thesis at hand discusses challenges when implementing Autoencoders on automotive ECUs and gives some corresponding key figures on runtime and memory consumption.