聚焦IoT安全:对多厂商智能汽车产品的安全性探究

卡巴斯基实验室的研究揭示了智能汽车及其相关设备的安全隐患,包括无线连接的OBD Dongle易受中间人攻击,轮胎压力监测系统数据可被拦截,以及智能仪表盘摄像头的安全性相对较强。研究建议厂商增强设备安全性,如提供唯一访问密钥,加密通信,并提醒用户注意设备与智能手机的连接安全。
摘要由CSDN通过智能技术生成

概述

长期以来,卡巴斯基实验室持续关注与物联网(IoT)技术相关的安全问题。在今年上半年,我们的专家在生物假肢装置的安全性方面取得了一些进展。而最近,我们对智能汽车的安全性进行了研究,调查结果表明其安全性也存在许多问题。

今年,我们决定继续开展小规模实验来验证设备的安全性,但将研究的重点转向了汽车相关的主题。近年来,由于车辆开始变得越来越智能,人与车、车与车之间的连接变得更多,因此汽车安全性的话题始终保持着较高的热度,研究人员也陆续发现了其中存在的一些问题。除了汽车本身之外,还有一些用于改善驾驶体验的外部设备,从车辆检测工具到各种调试设备。我们并没有在这个角度做独立研究,因此我们随机选择了几种不同的车辆连接设备,并对其配置进行安全检查。尽管这一过程无法被称为系统化的“调查”,但也能让我们直观地了解到要面对的安全问题。

我们对一些设备进行了安全研究,其中包括一些自动检测工具、仪表盘摄像头、GPS追踪器、智能报警系统、压力监控系统和温度监控系统。

检测工具OBD Dongle:安全性大曝光

在车辆诊断领域中,不可或缺的就是各种各样连接到OBD2诊断连接器的设备,这些设备大小不一,采取有线或无线的连接方式。从原理上来看,这些设备基本上都会插入到车辆的接口中,从而获取并提供关键的驾驶动态数据。其中一些设备可以独立运行,也有一些设备要依赖于计算机或手机。借助这些设备,可以为用户提供大量参数用于分析,其中的数据包括发动机转速、温度、涡轮增压、油压等。

还有一些应用程序,不仅仅能够读取上述数据,甚至还可以对车辆的“大脑”进行编程。举例来说,一些应用程序可以重置“检查引擎”的指示灯。用户如果使用这些应用,并通过它改变车辆运行的状态,那么可能会产生严重的风险。除了因操作人员失误导致车辆损坏的风险之外,还存在入侵者通过中间人攻击而控制设备的风险。当然,如果设备是通过有线方式连接的,那么这种风险就会变得非常小。但是,如果是通过无线方式,例如通过蓝牙或WiFi传输来自诊断端口的数据,这样一来被攻击者拦截的风险就会大幅增加。因此,我们非常关注此类设备的厂商是如何保证其安全性的。PHP大马

我们此次研究的设备由德国的厂商开发,并由一个知名汽车制造商品牌进行销售。出于安全考虑,我们在这里不会透露其名称。

该设备被称为赛车记录器,可以记录在赛道上的比赛视频,并记录从车辆获得的各类遥测数据,包括速度、发动机输出、增压等。

聚焦IoT安全:对多厂商智能汽车产品的安全性探究

该设备与通过蓝牙连接的智能手机(iOS或Android)配合使用,全部数据都将显示在智能手机的屏幕上。由于我们希望研究这一设备的使用是否会对用户产生实际风险,因此我们首先对蓝牙连接进行分析。

我们的初步分析表明,该设备完全不支持iPhone,iPhone手机无法找到设备。我们推测,问题可能出现在设备固件上面。因此,接下来的所有实验都是在Android设备上进行的。

在开始使用设备之前,需要进行蓝牙配对。而蓝牙配对的过程不需要密码,任何人都可以随时进行配对,这是非常不安全的。

一旦设备配对之后,潜在攻击者首先需要一个序列号,才能连接到Dongle。这个序列号印在设备上面,因此潜在攻击者需要以物理的方式接触设备。这样一来,我们认为还是相对安全的。

但事实并非如此。序列号的格式类似于“000780d9b826”,我们也可以将其写为“00:07:80:d9:b8:26”这样的格式,实际上,这就是Dongle所使用的蓝牙适配器的MAC地址。基本上,如果潜在攻击者在设备的周围进行蓝牙扫描,通常就可以找到这个序列号。然而,设备竟然就使用了这个序列号(MAC地址)作为Dongle的密码。

使用过程中,Dongle会向周围空间进行广播,并且根据蓝牙的标准,它会公开其MAC地址以及访问密钥。这也就意味着,几乎任何人都可以在手机上安装简单的蓝牙探测工具,并在连接范围内找到名称为“OBD STICK”的设备来访问Dongle。

但对于攻击者来说,有一个坏消息,应用程序本身不允许攻击者控制汽车,只能对数据进行分析。那么,我们尝试一下,如果通过另一个应用程序来连接到Dongle会怎么样?我们尝试使用Google Play中的其他几个应用程序。

聚焦IoT安全:对多厂商智能汽车产品的安全性探究

根据应用程序开发人员的说法,有相当多的功能列表可能会扰乱汽车驱动动态数据。我们无法对这一点进行测试,尽管应用程序可以连接到Dongle,但它无法从CAN总线读取数据。应用程序会通过特定协议与OBD Dongle进行交互,但我们此次研究的设备具有其独特的协议。

这种类型的Dongle通常采用ELM327芯片构建,ELM327芯片是市场上最为流行的微控制器,其主要作用是处理来自CAN总线的信号,并通过RS-232接口(蓝牙适配器或USB适配器)向用户提供信息。接口将通过无线电信号将数据传递到智能手机上,手机会将其传递给应用程序。至于如何处理信号、从CAN总线接收信号还是向其传送信号、将信号传输给用户的方式这些,都是完全由固件来驱动,存储在微控制器的ROM中。我们所研究的设备,使用了独特的AT90CAN128-16MU微控制器,以及与常用型号截然不同的固件。

由此,我们引申出一个问题,是否可以修改控制器的固件,以添加新的功能。我们发现,可以选择更新应用程序中的Dongle固件。经过对应用程序代码的研究,我们发现,该应用程序可以通过不安全的HTTP连接方式从开发人员的网站上下载固件,并且固件随应用程序本身一起提供。天天好彩

总而言之,我们可以获取到固件,并进行进一步分析和修改。那么,我们就可以实现攻击了吗?遗憾的是,固件是加密的,这一点其实并不意外,而且是厂商的明智之举,因为这可以保护设备操作过程中最为精细的部分——车辆与Dongle之间的数据交换协议。由此,我们获得固

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值