我黑掉路边广告牌，就能让特斯拉自动驾驶系统紧急停车( 二 )
本 · 古里安大学研究者在这项研究中采用的是与二者不同的方法——至少不是物理方法 。 正如很多黑客此前所证明的一样 ， 袭击者可以远程侵入联网的广告牌 。 团队推测这种「幻影攻击」会以勒索或者恶作剧等形式发生 ， 论文第一作者 Ben Nassi 指出：「以前的方法会留下证据 ， 需要复杂的准备工作 。 而这种方法完全可以远程进行 ， 不需要任何专业知识 。 」
文章插图
攻击模型
这种攻击有以下特点：
无需物理接近攻击现场；
不会留下任何可识别的物理证据；
攻击过程很短暂 ， 几乎没有目击证人；
攻击的目标不太可能试图阻止攻击（通过控制车辆） ， 因为他 / 她不会注意到任何异常情况 。
面对这项研究结论 ， 特斯拉尚未置评 ， 但在上周的一封邮件中 ， 特斯拉提到了一个熟悉的论点：它的 Autopilot 功能并不意味着是一个完全自动驾驶的系统 。 「Autopilot 提供了一种驾驶员辅助功能 ， 仅适用于全神贯注的驾驶员 ， 他们把手放在方向盘上 ， 准备随时接管 。 」
但研究人员 Yisroel Mirsky 不赞同这一说法：「众所周知 ， 人们在使用自动辅助驾驶系统时 ， 不会始终保持 100％的注意力 。 因此 ， 无论特斯拉如何表示 ， 我们都必须努力减少这种威胁 ， 以确保人们的安全 。 」
特斯拉的 Autopilot 系统主要依靠相机 ， 而不那么依靠雷达 。 而更加完备的自动驾驶汽车（比如 Waymo、Uber、Cruise）还集成了激光雷达 ， 从而减少了受此类攻击的可能性 ， 因为激光雷达不在乎广告牌上内容的变化 。
对策：GhostBuster 系统
本 · 古里安大学的研究者并未测试针对更多传感器设置的攻击 ，但他们演示了在基于摄像头的平台上检测到幻影的方法 。 研究者开发了一个名为 "Ghostbusters" 的系统 ， 用于验证车载目标检测器检测到的物体 ， 该系统的设计考虑了诸如深度、光线以及交通标志周围的环境感知等要素 ， 并权衡所有这些要素 ， 然后再确定道路标志图像是否真实 。
【我黑掉路边广告牌，就能让特斯拉自动驾驶系统紧急停车】打个比方 ， Ghostbusters 就像是一个专家委员会集思广益 ， 来讨论出现的「影像」是真实存在的还是虚幻的 ， 从而进行集体决策 。 在研究者看来 ， 这种方法可以更加可靠地战胜「幻影攻击」 ， 同时也不会降低基于摄像头的自动驾驶系统的速度 。
GhostBuster 可以部署在现有的高级驾驶辅助系统上 ， 无需额外的传感器 ， 并且不需要对现有的道路基础设施进行任何更改 。 GhostBuster 由四个轻量级深度 CNN 组成 ， 通过检查目标物体的反射光、环境、表面和深度来评估其真实性 。 在最终预测中 ， 第五个模型使用四个模型的嵌入来识别「幻影」 。
文章插图
GhostBuster 架构图
实验表明 ， 这一对策优于现有的基准方法 。 FPR 设置为 0 的条件下 ， AUC 超过 0.99 ， TPR 为 0.994 。 该模型应用于七种最新的路标检测器时 ， 攻击成功率从未使用时的 99.7-81.2% 降到了 0.01% 。 目前 ， 研究者已经开放了训练后的模型、代码以及数据集 。
项目地址：
本 · 古里安大学的 Nassi 承认 ， Ghostbuster 系统并不完美（GitHub 页面详细介绍了局限性） ， 但他仍然认为即使特斯拉的自动辅助驾驶系统存在雷达、摄像头等多种传感器 ， 黑客攻击生成的图像仍会让汽车出现判断问题 。 作为车企 ， 特斯拉自动辅助驾驶系统的原则是「better safe than sorry」 ， 如果摄像头发现障碍系统就判定为障碍 ， 反而会为黑客攻击提供机会 。 但如果不这么做——一个或几个传感器探测到了风险 ， 其他却没有探测到不算数 ， 可能会引发其他的麻烦 。 「如果你的自动驾驶系统可以忽略图像攻击 ， 又未能得到其他传感器的正确验证 ， 就会有发生其他事故的风险 ， 」Nassi 说道 。 「降低黑客攻击的风险需要付出代价 。 」