Progettazione di sistemi di identificazione dei guidatori e di intrusioni basati sulle abitudini dei guidatori

L'introduzione di tecnologie dell'informazione e della comunicazione (ICT) nei sistemi di trasporto portano diversi vantaggi come l'efficienza di trasporto, mobilità e gestione del traffico. I veicoli che circolano nelle strade generano un enorme mole di dati che riguardano sia il guidatore che il veicolo stesso. Tali dati possono essere usati per differenti scopi, e.g., dati generati possono indicare il tipo di stile di guida o potrebbero essere usati per identificare i guidatori. Di conseguenza, il software nei veicoli moderni sta diventando sempre più complesso e soggetto a vulnerabilità che un intruso può sfruttare per alterare le funzionalità dei veicoli. Inoltre, nell'ultimo decade spesso sono stati fatti diversi tentativi di caratterizzare il comportamento del guidatore. Ciascun guidatore ha la sua routine costituita dai luoghi più visitati. In base al GDPR, i dati degli utenti sono sensibili e non dovrebbero essere divulgati. Questa tesi presenta diverse soluzioni per migliorare la sicurezza cibernetica nei veicoli moderni. Il primo è Secure Routine, un paradigma che usa le abitudini dei guidatori per l'identificazione del guidatore e, in particolare, distinguire il proprietario del veicolo dagli altri guidatori. Abbiamo valutato Secure Routine in combinazione con altre tre esistenti soluzioni basate su tecniche di Machine Learning. I risultati sono misurati usando metriche ben conosciute e mostrano che Secure Routine supera i lavori simili. Successivamente, vi presentiamo Private Secure Routine (PSR), un paradigma con due obiettivi: i) identificazione di guidatori in base alle loro abitudini/routine e ii) mantenere i dati dei guidatori privati. Abbiamo implementato PSR sfruttando la tecnica di secure Multi-Party Computation (MPC) alla presenza di un modello d'attaccante honest-but-curious. Inoltre, abbiamo valutato PSR attraverso la sua accuratezza confrontandola con altre soluzioni esistenti. La valutazione di PSR è stata effettuata su differenti banchi di prova, considerando l'identificazione su singolo-proprietario e due-proprietari. Successivamente, abbiamo introdotto CAHOOT, un'originale context-aware Intrusion Detection System (IDS) capace di individuare potenziali intrusioni nelle modalità di guida con umano o Intelligenza Artificiale. In CAHOOT, l'informazioni di contexto consistono nei dati collezionati mentre il veicolo viene utilizzato attraverso i sensori del veicolo e il motore. Tali infomazioni vengono utilizzate per determinare le abitudini del guidatore e informazioni relative all'ambiente, come le condizioni del traffico. Per valutare CAHOOT, abbiamo creato e usato un dataset utilizzando una versione modificata del simulatore MetaDrive, capace di collezionare sia dati di umani che di Intelligenza Artificiale(AI). Abbiamo poi simulato diversi tipi di intrusioni in fase di guida: attacchi denial of service, spoofing e replay. Come ultimo step, abbiamo generato un dataset per valutare l'algoritmo CAHOOT usando diversi metodi di machine learning. I risultati mostrano che CAHOOT è estremamente affidabile nell'individuare intrusioni. Infine, presentiamo CAHOOTv2, che migliora le accuratezze nell'individuare intrusioni rispetto a CAHOOT ed è inoltre allenato su due tipi di attacchi aggiuntivi. Per validare la bontà del paradigmo, abbiamo inoltre espanso il dataset con addizionali guide di esseri umani.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2023

Author dc:creator

• MICALE, DAVIDE ANTONINO VINCENZO

Contributors dc:contributor

• BELLA, Giampaolo

• driver identification, habits, routine, machine learning, automotive, privacy, Intrusion Detection System, Context-aware
• identificazione dei guidatori, abitudini, routine, machine learning, automotive, privacy, intrusion detection system, context-aware

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/582154

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/582154