Uma arquitetura híbrida baseada em aprendizado profundo e conexão residual para detecção de intrusões em veículos autônomos

O surgimento de Veículos Autônomos e Veículos Autônomos Conectados (CAVs) transformou drasticamente o cenário automotivo nos últimos anos, oferecendo recursos aprimorados nos veículos para a segurança e conveniência dos motoristas. Esses desenvolvimentos introduziram várias funcionalidades nos AVs, ou seja, manutenção de faixa, controle de cruzeiro, etc. Esses recursos são principalmente acionados pelas Unidades de Controle Eletrônico (ECUs) que se comunicam usando o protocolo de barramento Controller Area Network (CAN). Os componentes nos AVs se comunicam entre si enviando e recebendo mensagens via barramento CAN. No entanto, apesar da conectividade aumentada, esses veículos se tornaram vulneráveis a ataques cibernéticos, já que agentes maliciosos podem explorar o protocolo CAN para manipular o comportamento do veículo, o que pode ameaçar não apenas a segurança dos passageiros, mas também a pública. Portanto, vários Sistemas de Detecção de Intrusões (IDS) foram propostos, no entanto, esses sistemas enfrentam complexidade computacional, eficácia limitada contra tipos sofisticados de ataque e falta de interpretabilidade e transparência dos mecanismos de detecção. Para abordar os desafios dos sistemas existentes, este artigo apresenta um novo IDS híbrido baseado em Aprendizado Profundo (DL) utilizando componentes de DL, como a camada Convolucional e camadas Long Short-Term Memory (LSTM), para capturar padrões complexos nas mensagens CAN. O IDS proposto utiliza uma conexão residual para melhorar o fluxo de gradiente e a estabilidade do treinamento. O sistema é avaliado contra quatro tipos comuns de ataque, a saber Spoofing de RPM, Spoofing de Marcha, Fuzzy e Negação de Serviço (DoS), alcançando uma precisão de detecção de 99,99%. Finalmente, os resultados do IDS proposto são interpretados visualmente usando a técnica de Inteligência Artificial Explicável (XAI) chamada Explicações de Modelo Localmente Interpretáveis e Agnósticas (LIME) para fornecer transparência sobre o processo de tomada de decisão do modelo, aumentando assim a confiança na implementação do sistema em ambientes reais de AV.