Cyber Threat Susceptibility Assessment for Heavy-Duty Vehicles Based on ISO/SAE 21434
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
TARA, which stands for Threat Analysis and Risk Assessment, serves as the foundational stage of cybersecurity implementation, particularly in the context of vehicular systems. While various considerations and risk assessment frameworks have been discussed in recent years, there is a notable lack of TARA models specifically designed for heavy-duty (HD) vehicles. The security considerations and vulnerabilities in HD vehicles differ significantly from those in light-duty (LD) vehicles, leading to different security impacts and varying attack feasibility. This makes existing models inadequate for accurately assessing risks in the context of HD vehicles. This study introduces a novel risk assessment model tailored for HD vehicles, addressing gaps in existing TARA frameworks such as EVITA, HEAVENS, and ISO/SAE 21434. The key contribution of this work lies in the customization of impact and feasibility metrics within the ISO/SAE framework to better account for the unique security challenges posed by HD vehicles. Unlike prior models, this approach adapts the impact criteria to reflect the diverse range of security concerns specific to HD vehicles, which have been inadequately addressed in existing frameworks. Additionally, through a comprehensive analysis of threat vectors and vehicle interfaces, the model refines feasibility criteria, ensuring a more accurate and context-aware assessment of security risks. By adopting these enhancements, the proposed model offers more precise risk assessments that align with HD vehicle considerations, helping to prioritize threats and make optimal decisions regarding risk treatment.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle