Vehicle Dynamics Modelling and Simulation for Use in the Development of a Self-Healing Auto Cyber Security System (SHACS) Proof-of-Concept
Notice bibliographique
Résumé
All modern vehicles utilise Electric Control Units (ECUs) to control the electronics of the vehicle.The advancement of autonomous vehicles and systems has significantly increased the number of ECUs present, thereby increasing need for cybersecurity.This thesis introduces the foundation for the integration of a Self-Healing Auto Cyber Security System (SHACS), designed to detect and correct attacks on the vehicle's Controller Area Network (CAN).The foundation builds upon a 10-degree-of-freedom (DOF) vehicle dynamics model with driver, sensor, and novel steer-by-wire models to represent the vehicle's physics.The new steering mechanism was designed by using servo motors to steer each wheel independently, increasing the signals on the CAN.The process of selecting a design for the steering mechanism was highlighted.The model was implemented in MATLAB/Simulink, then was integrated into a set of BeagleBone Blacks, a single board computer, for CAN and SHACS integration.A sample SHACS uses a unique detection and correction methodology, which utilises a voting mechanism to ensure the signal validity and the vehicle's continued safe operation under attack.The algorithm takes three time-steps to correct the system from an attack.System validation was achieved by using standardised vehicle paths and by comparing the simulated responses to the un-attacked Simulink model's results, demonstrating the sample SHACS's ability to protect against attacks.This thesis proposes a framework for simultaneously developing vehicle dynamics and cybersecurity systems that could be integral to the development of secure automotive technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».