En la era del Internet de las Cosas y los vehículos conectados, cada avance suele ir de la mano de nuevos riesgos para nuestra seguridad. Afortunadamente, hay investigadores que se preocupan por ello y también proponen nuevas soluciones…
Es el caso de tres ingenieros electrónicos y un ingeniero informático de la Universidad de Tamil Nadu (India). Los cuatro eran conscientes de que, con el volumen de datos manejados en los vehículos conectados, los sistemas de detección de intrusiones fallan más frecuentemente. Alejandro Aliaga, un profesional con más de 25 años de experiencia en el sector de la ciberseguridad y actualmente CTO de Ontinet, coincide con esta reflexión: “Las herramientas y controles de seguridad tradicionales ya no son suficientes. Esto nos obliga a adoptar técnicas avanzadas que diferencien el ‘ruido’ de los ataques reales. Además, deben ser técnicas que se adapten rápidamente a la evolución constante de estas amenazas”.
Y es que los falsos positivos abundan más de lo que les gustaría a los especialistas. Para remediarlo, han propuesto en la revista académica Scientific Reports todo un modelo de detección de ciberataques mediante aprendizaje profundo.
Tras leer el artículo en Scientific Reports, Aliaga no duda en calificarlo de “proyecto muy prometedor. Con la introducción de tecnologías y redes de comunicaciones V2X (del vehículo a la infraestructura) la superficie de exposición se incrementa y, por tanto, existe mayor riesgo de vernos expuestos a amenazas”.
La técnica tras la propuesta
El modelo en cuestión responde a las siglas ILSTM-COA (“Long Short-Term Memory” o “Memoria Larga a Corto Plazo”, y “Crocodile Optimization Algorithm”). Tras la correspondiente extracción de datos y preprocesamiento para entrenarlo, los parámetros del ya conocido modelo LSTM se optimizan con el algoritmo COA. De ahí surge el nuevo modelo ILSTM. LSTM es una red neuronal recurrente (RNN), es decir, que usa datos ordenados en secuencias temporales. Gracias a ello, conservan memoria de lo ocurrido con la capa de datos previa a la de salida y, así, pueden predecir la secuencia. Es por ello que estas redes se aplican al trabajo con datos dependientes unos de otros (temporales, predicciones meteorológicas, secuencias de ADN, etc.).
Por su parte, el COA forma parte de los algoritmos inspirados en comportamientos de la naturaleza… porque imita la estrategia de caza de los cocodrilos, con su premeditación y paciencia hasta que lanzan un ataque sorpresa. En este caso, los informáticos aplican las lecciones de caza de los cocodrilos para resolver problemas de optimización.
Según este estudio, el modelo alcanza un 98,9% de precisión, con mucha más sensibilidad y especificidad a la hora de determinar que se está produciendo un ataque. De nuevo, Aliaga coincide con los investigadores: “Esta tecnología tiene la capacidad de aprender y entender patrones de datos complejos, gestionando grandes volúmenes de información. Ello la convierte en una herramienta muy valiosa para mantenernos al día frente a la rápida evolución y la complejidad de las ciberamenazas actuales. Y, por supuesto, de las que puedan desarrollarse en el ámbito automotriz”.
Qué falta «del dicho al hecho»
Por lo tanto, una de las grandes ventajas del aprendizaje profundo frente a cualquier otro modelo sería la capacidad del sistema para aprender patrones complejos y comprenderlos realmente. Precisamente por eso le resultaría mucho más fácil adaptarse a amenazas emergentes y nuevos tipos de ciberataque.
Por lo tanto, ¿a qué esperamos para implementarlo en las infraestructuras de transporte españolas? No tan rápido, dice nuestro experto… “A pesar de sus ventajas, una solución técnica como ILSTM-COA deberá ser estudiada por los comités de expertos en regulación para validar que la tecnología cumple con las normativas y estándares del sector”, puntualiza Aliaga; “además, deberán realizar pilotos y pruebas en entornos controlados para validar la solución antes de implantarla”. Aliaga lo ve más como una base científica a partir de la cual se desarrollarán tecnologías para la seguridad de nuestros vehículos conectados.
¿Usarán los tests de ciberseguridad el aprendizaje profundo?
Pero en HackerCar siempre queremos ir más allá. Observando el potencial de este modelo de aprendizaje profundo y tras corroborarlo con el especialista, nos planteamos si no sería igual de útil para incorporarlo a las pruebas de homologación de la norma UNECE/R155 para la ciberseguridad de los vehículos conectados. “Introducir este tipo de modelos permitiría poder diseñar sistemas mucho más seguros (conocidos como «security by design«). Sería muy interesante y marcaría la diferencia”, afirma Aliaga. “Es posible que, en un futuro no muy lejano, podamos tener modelos que simulen amenazas y nos ayuden a crear vehículos más resilientes frente a ciberataques”.
Además, ofrecer un coste preciso de estas soluciones o de su mantenimiento es misión casi imposible. Aliaga cree que sería necesario que los gobiernos llegaran a acuerdos con grandes empresas del mundo de la inteligencia artificial: “Hoy en día, el mayor reto al que nos enfrentamos es en hacer que la IA se ejecute en más entornos, sin que para ello haga falta un sistema de computación muy potente”.
Sus riesgos específicos
Ahora bien, los modelos de aprendizaje profundo también tienen su cara negativa. Si bien es cierto que se trata de un ataque complejo, son vulnerables al conocido como “data poisoning” (literalmente, en español, “envenenamiento de datos”). En consecuencia, Aliaga advierte de que “en un ataque de estas características, un actor malicioso podría manipular los datos de entrenamiento del modelo de IA. De esta manera, introduciría vulnerabilidades, puertas traseras o sesgos que podrían comprometer la seguridad, eficacia o comportamiento del modelo de inteligencia artificial”.
No hay que olvidar que los datos son la materia prima con la que se entrenan estos modelos, por lo que resulta crucial protegerlos. “A día de hoy este tipo de ataques son complejos y muy difíciles de llevar a cabo, pero no debemos descartarlos en nuestro modelado de amenazas. Por tanto, se deben tener en cuenta en cualquier diseño de controles de seguridad, para proteger adecuadamente dicho modelo de aprendizaje y toda la arquitectura que lo sustenta”, sentencia Alejandro Aliaga.
Y después del «deep learning», ¿qué?
En definitiva, el avance de la inteligencia artificial tendrá consecuencias muy positivas sobre la ciberseguridad del vehículo conectado, con constantes nuevas aplicaciones. “Hoy en día, el mayor reto al que nos enfrentamos es hacer que la IA se pueda ejecutar en más entornos, sin que para ello haga falta un sistema de computación muy potente”, dice Aliaga antes de invitar al optimismo al respecto. “En breve, podremos hacer funcionar modelos de IA localmente en nuestros teléfonos móviles, y quizás el siguiente paso sea verlos en nuestros vehículos.
«Puede que pronto tengamos modelos de IA que sean capaces de ejecutarse en los sistemas de computación de nuestros vehículos. Tales modelos estarían optimizados para la toma de decisiones derivadas de la seguridad de los mismos”. De momento, los propios autores del estudio reconocen que habrá que evaluar más detenidamente si el método es escalable a grandes redes de vehículos. No se puede olvidar que, en ellas, circula una enorme cantidad de información en tiempo real.
